除了打DOTA下圍棋 機器學習已幫助我們取得了這些材料科研進展

材料人繼續推出計算材料成果匯編（月刊），報道計算材料相關重大成果。本篇為機器學習專刊。

1. 機器學習用于預測無機材料的性能

圖1 Al-Ni-Zr三元區玻璃成形能力的實驗測量結果

美國的研究人員開發了一種多功能的機器學習框架，以幫助尋找新材料。近期，在美國西北大學Christopher Wolverton等人的帶領下，研究人員使用利用已知材料數據訓練的機器學習技術，生成了預測新材料特定屬性的模型。他們通過研究了用于光伏應用的新型結晶化合物以及基于具有形成玻璃的可能性的三元合金金屬玻璃，證明了該技術的實用性。研究表明，優化機器學習算法和分區輸入數據來可以創建新模型，使得特定參數的預測精度達到最大化。現在該技術將有望供研究人員利用大型材料數據庫，從而自動化和加速搜索新的功能材料。

文獻鏈接：A general-purpose machine learning framework for predicting properties of inorganic materials (npj Computational Materials，2018，DOI：10.1038/npjcompumats.2016.28)

2. 原子間勢預測鋯的相變

圖2 研究提出的自動檢測方法的示意圖

機器學習發現可以通過鋯的新的原子間勢能來預測相變。近日，美國洛斯阿拉莫斯國家實驗室Turab Lookman等人通過使用高斯型機器學習方法來預測鋯中相變的原子間勢。他們通過局部原子環境的變化來表述每種原子能量貢獻，例如鍵長、形狀和體積。由此產生的機器學習成功描述了純鋯的物理特性。當其用于分子動力學模擬時，它預測了鋯相圖是溫度和壓力的函數，與先前的實驗和模擬一致。此研究表明，在相變系統中開發學習的原子間勢可以幫助我們更好地模擬復雜的系統。

文獻鏈接：Developing an interatomic potential for martensitic phase transformations in zirconium by machine learning (npj Computational Materials，2018，DOI: 10.1038/s41524-018-0103-x）

3. 電子顯微圖像中的自動缺陷分析

圖3 提出的自動檢測方法的示意流程圖

電子顯微鏡和缺陷分析是材料科學的基石，因為它們提供了對各種材料和材料系統的微觀結構和性能的詳細見解。如果為電子顯微鏡中的自動缺陷識別和分類建立一個強大而靈活的平臺，將可以在記錄圖像后甚至在圖像采集過程中更快地完成分析。然而，需要大量圖像來提取統計上顯著的信息，而識別目前仍然是手動完成的，這不僅耗時而且會存在不一致的情況。最近，美國威斯康星大學麥迪遜分校Dane Morgan等人和美國橡樹嶺國家實驗室的團隊通過將機器學習、計算機視覺和圖像分析技術相結合，獲得了有關缺陷尺寸和類型的信息。目前，該程序的性能與質量方面的人工分析一致，對其進一步改進可以進行大數據集的實時分析。

文獻鏈接：Automated defect analysis in electron microscopic images (npj Computational Materials，2018，DOI: 10.1038/s41524-018-0093-8）

4. 通過機器學習預測有機太陽能電池的效率

圖4 FF和PCE與ΔH_a和ΔL_b的相關性。ΔH是HOMO和HOMO-1之間的能量差異，ΔL是給體分子的LUMO+1和LUMO之間的能量差異。

為了設計有機光伏（OPV）的有效材料，必須確定控制其屬性的最大數量的參數，并使用這些參數（稱為描述符）建立模型，以預測功率轉換效率（PCE）。近日，南京大學馬海波與英國利物浦大學Alessandro Troisi等研究人員通過構建280個小分子OPV系統的數據集，發現了對于所有高性能裝置，供體分子的前線分子軌道幾乎退化。在這種情況下，軌道除了最高占據分子軌道（HOMO）和最低空分子軌道（LUMO）參與激子形成、激子解離和空穴傳輸過程，從而影響OPV的宏觀性質。通過使用機器學習方法，使用有機材料的13個重要微觀特性作為描述符，建立預測PCE的模型。梯度增強模型表明它可以應用于高通量虛擬篩選潛在的新供體分子，從而應用于高效的OPV。

文獻鏈接： Toward Predicting Efficiency of Organic Solar Cells via Machine Learning and Improved Descriptors (Advanced Energy Materials，2018，DOI：10.1002/aenm.201801032）

5. 化合物空間中的量子機器學習

圖5 基于量子力學通過機器學習增強對性質的理解

到目前為止，人工智能的應用，或者更具體地說是嚴格的統計分析和通用模型的構建，已經成為現代技術的普遍組成部分。通常提到的包括汽車、飛機或機器人的自動控制，消費者和廣告放置的媒體內容建議，投資組合和股票的（高頻）交易，控制假肢的外骨骼設備等均可以利用其更好地發揮作用。瑞士巴塞爾大學O. Anatole von Lilienfeld教授提出，機器學習方法可以推斷近似解，通過插入先前獲得的分子和材料的屬性數據集，而不是在數值上求解計算要求的量子或統計力學方程。該研究適用于量子機器學習，是一種可廣泛應用于量子化學問題的歸納性分子建模方法。

文獻鏈接： Quantum Machine Learning in Chemical Compound Space (Angewandte Chemie，2018，DOI：10.1002/anie.201709686）

6. 關聯的金屬Pb/Si(111)單層電荷-密度波相中的手性旋轉結構

圖6 該工作中使用機器學習模型的過程示意圖

散裝金屬玻璃（BMG）是一類獨特的材料，由于其引人的物理特性，目前已經獲得了廣泛的應用。而制約了這些材料大規模使用的一個限制是缺乏可預測的工具來分析合金成分與理想性能之間的關系。為了解決這個問題，近日，美國西北大學Chris Wolverton等研究人員開發了一個使用機器學習（ML）模型設計金屬玻璃的框架，該模型預測BMG組合物的三個關鍵特性：存在于非晶態的能力、臨界鑄造直徑和過冷液體范圍。該模型僅使用合金的成分作為輸入，并且是創建于由數十篇論文和手冊組成的8000多個金屬玻璃實驗的數據庫。他們使用這些ML模型來優化現有商業合金的性能，并且通過實驗發現，這幾種ML預測組合物可以在他們的兩個設計變量之一中形成玻璃并超過現有合金。

文獻鏈接： A machine learning approach for engineering bulk metallic glass alloys (Acta Materialia，2018，DOI：10.1016/j.actamat.2018.08.002）

7. 利用機器學習模型對硬磁相成分優化

圖7 所選化合物描述符的圖示

?機器學習（ML）在新材料的發現和設計中發揮著越來越重要的作用。德國弗勞恩霍夫材料力學研究所Johannes J. M?ller等研究人員展示了使用硬磁相作為解釋說明ML在材料研究方面的潛力。他們構建了基于內核的ML模型，以預測新永磁體的最佳化學成分，這是許多綠色能源技術的關鍵組成部分。用于訓練和測試ML模型的磁性數據是從基于密度泛函理論計算的組合高通量篩選中獲得的。他們直接選擇描述了不同的構型，隨后使用ML模型進行成分優化，從而預測具有類似內在硬磁特性但數量較少的Nd₂Fe₁₄B等重要的、最先進磁性材料的稀土元素替代品。

文獻鏈接： Compositional optimization of hard-magnetic phases with machine-learning models (Acta Materialia，2018，DOI：10.1016/j.actamat.2018.03.051）

8. 兩步機器學習指導高溫鐵電鈣鈦礦的實驗研究

圖8 尋找高溫鐵電鈣鈦礦的材料設計挑戰

?

美國洛斯阿拉莫斯國家實驗室Turab Lookman、美國凱斯西儲大學Alp Sehirlioglu與美國弗吉尼亞大學Prasanna V. Balachandran等研究人員展示了一個兩步機器學習的方法，以指導實驗尋找具有高鐵電居里溫度的xBi[Me^'_yMe^''_(1-y)]O₃-(1-x)PbTiO₃基鈣鈦礦。這些涉及分類的學習來篩選鈣鈦礦結構中的成分，并且回歸與主動學習相結合以識別潛在的鈣鈦礦，用于合成和信息的反饋。該問題是具有挑戰性的，因為搜索空間很大，跨越約61500個組合，只有167個是通過實驗研究發現的。此外，并非每種組合物都可以在鈣鈦礦相中合成。在這項工作中，他們預測x、y、Me'和Me''使得所得組合物具有高居里溫度并且在鈣鈦礦結構中形成。然后通過主動學習成功和失敗的實驗結果，循環迭代地改進機器學習模型。該方法在合成的十種組合物中發現六種鈣鈦礦，包括三種先前未開發的{Me'Me''}對，其中0.2Bi（Fe_0.12Co_0.88）O₃-0.8PbTiO₃顯示出最高測量的居里溫度達898K。

文獻鏈接：Experimental search for high-temperature ferroelectric perovskites guided by two-step machine learning (Nature Communications，2018，DOI：10.1038/s41467-018-03821-9）

9. 機器學習建模預測超導臨界溫度

圖9 超導體數據集和分類模型的性能

開發機器學習方案以高精度地模擬超過12,000種化合物的超導轉變溫度。近日，美國馬里蘭大學Valentin Stanev等研究人員，包括來自杜克大學和NIST的研究人員，開發了幾種機器學習方案，用于模擬超過12,000種已知超導體和候選材料的臨界溫度（Tc）。他們首先僅根據化學成分訓練分類模型，根據其Tc是高于還是低于10 K對已知超導體進行分類。然后，他們開發回歸模型來預測各種化合物的Tc值。通過包含AFLOW在線存儲庫中的數據，可以進一步提高這些模型的準確性。他們將分類和回歸模型組合成一個單一的集成管道，以搜索整個無機晶體結構數據庫，并預測超過30個新的候選超導體。

文獻鏈接：Machine learning modeling of superconducting critical temperature (npj Computational Materials，2018，DOI：10.1038/s41524-018-0085-8）

10. 使用機器學習精確預測X射線脈沖特性

圖10 基于機器學習的示意圖

自由電子激光器提供超短的高亮度X射線輻射脈沖，對于科學的廣泛影響具有巨大的潛力，并且是解開物質結構動力學的關鍵因素。 為了充分利用這一潛力，必須準確地了解X射線特性：強度、光譜和時間分布。由于自由電子激光器的固有波動，這要求對每個脈沖的特性進行全面表征。雖然存在對這些特性的診斷，但它們通常是具有侵害性的，并且許多不能以高重復率操作。近期，英國帝國理工學院A. Sanchez-Gonzalez和J. P. Marangos等研究人員提出了一種繞過這種限制的技術。他們采用機器學習策略，可以通過在一小組完全診斷的脈沖上訓練模型，僅使用易于以高重復率記錄的參數來準確預測每次射擊的X射線屬性。這為完全實現下一代高重復率X射線激光器打開了大門。

文獻鏈接：Accurate prediction of X-ray pulse properties from a free-electron laser using machine learning (Nature Communications，2018，DOI： 10.1038/ncomms15461）

本文由材料人計算材料組Annay供稿，材料牛整理編輯。

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：cailiaokefu

如果您想利用理論計算來幫助實驗，歡迎您使用材料人計算模擬解決方案。材料人組建了一支來自全國知名高校老師及企業工程師的科技顧問團隊，專注于為大家解決各類計算模擬需求。如果您有需求，歡迎掃以下二維碼提交您的需求，或直接聯系微信客服（微信號：cailiaoren001）