人工智能方法用于二元合金彈性常數的預測

大數據理念和人工智能方法正在改變著科研人員對未知世界的探索方式。中國科學院計算機網絡信息中心材料基因實驗室，圍繞預測材料的物理化學性質，提出采用機器學習方法預測第一性原理計算結果誤差，并在此基礎上，推薦出適合所計算體系的誤差最低的最優化計算參數，并對第一性原理計算結果進行糾正。近期，實驗室在該方向上的研究已經有2 篇論文在Computational Material Science 期刊上發表[1]，[2]。

該研究以二元合金彈性常數計算為例，借助高通量材料自動流程計算和數據管理平臺MatCloud（http://matcloud.cnic.cn），可以便捷地產生大量計算數據，并結合收集的部分實驗數據，采用神經網絡方法建立二元合金彈性常數第一性原理計算誤差估計模型，神經網絡參數的學習利用了BP算法和粒子群優化的混合學習方法進行訓練。經實驗驗證，證明了機器學習方法可有效實現對二元合金彈性常第一性原理計算誤差的估計，同時相比較于支持向量回歸算法和單純用BP算法訓練神經網絡，提出的基于混合學習的神經網絡方法能夠更有效地實現誤差預測，預測的彈性常數第一性原理計算誤差準確率達到88%左右。同時，基于以上研究，采用機器學習方法建立了二元合金彈性常數預測模型，經過驗證，該模型對彈性常數的糾正力度在10GPa左右，直接預測出的彈性常數的誤差約為15GPa。見圖1 。

圖 1 采用機器學習方法對二元合金彈性常數第一性原理計算結果誤差的預測

這表明，高通量計算和機器學習相結合的方法在材料性質預測領域具有重要的應用前景。采用更全面、更完善的材料數據庫，運用更深入的人工智能算法/機器學習方法能夠為科研人員提供更精準的信息，進一步加速新材料的研發。高通量自動流程計算可以幫助產生大量數據，從而使模型訓練更為精準。該項研究工作得到國家重點研發計劃和國家自然科學基金重點項目的支持。

參考文獻：

[1] ?New methods for prediction of elastic constants based on density functional theory combined with machine learning（Comp.Mater.Sci.,2017,DOI:10.1016/j.commatsci.2017.06.015）

[2] ?Error estimation in high-throughput density functional theory calculation for material property: elastic constants of cubic binary alloy case（Comp.Mater.Sci.,2017,DOI:10.1016/j.commatsci.2017.03.035）

本文由中國科學院計算機網絡信息中心材料基因實驗室李老師投稿。

材料牛網專注于跟蹤材料領域科技及行業進展，這里匯集了各大高校碩博生、一線科研人員以及行業從業者，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入編輯部大家庭。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：RDD-2011-CHERISH，任丹丹，我們會邀請各位老師加入專家群。

材料測試、數據分析，上測試谷！