小盤點：新材料設計和預測的三大方法及優缺點

隨著高性能計算設備和密度泛函理論及相應算法的發展，通過理論計算分析、和預測材料已經成為材料科學領域中非常重要的一部分。新材料的設計和預測一方面可以幫助人們分析一些極端實驗條件下存在卻難以表征的材料；另一方面可以通過事先預言指導人們合成具有某種特性和功能的新材料，進而降低實驗成本，縮短材料從發現到應用的過程。目前，新材料的設計和預測方法可以分為三類：基于專家知識及經驗直覺的設計方法；基于材料數據庫的大數據方法；基于結構搜索算法。下面我們簡單介紹下這三大類方法及其優缺點。

1.基于專家知識及經驗直覺設計新材料

專家知識的獲得往往需要對某類材料的長期研究積累和深刻理解。這樣設計出來的材料往往還需要通過計算形成能、聲子譜和分子動力學等對其穩定性進行檢驗，不斷試錯，才能得到相對比較穩定的結構。例如：2011年Xian-Lei Sheng等人^[1]通過將金剛石中的碳原子替換為碳四面體，得到了孔狀結構的T-Carbon，第一性原理計算證明其能夠穩定存在。該結構在2017年被Jinying Zhang等人^[2]通過皮秒激光照射懸浮在甲醇溶液中的多壁碳納米管，在極端偏離熱力學平衡態的條件下成功合成。總之，該類設計方法一般效率較低，但有時憑借對材料結構和性能的深刻理解可以設計出一些具有奇特性能的材料。

圖1 機器學習助力新材料發現的一般過程^[3]

2.基于材料數據庫通過機器學習等數據挖掘方法預測新材料

機器學習算法通過在已知數據中尋找規律，然后利用這些規律進行預測。在材料結構預測中，機器學習系統包括兩個部分即：學習系統和預測系統。數據清洗、特征選擇及模型訓練和測試等過程在學習系統中進行。預測系統應用學習系統中得到的模型進行預測。新材料的預測通過預測系統推薦的成分和結構得到候選材料，之后還需第一性原理計算對其穩定性進行檢驗。例如：Fisher等人^[4]構建了數據挖掘結構預測模型，其通過學習中數據庫中成分和結構聯合分布的概率，得到結構穩定的規則，進而預測形成新材料的概率。Hautier等人^[]利用貝葉斯統計方法從ICSD數據庫中的183種常見的氧化物學習結構中原子分布規律，預測得到209種新的三元氧化物。總之，機器學習方法依賴大數據等手段，效率較高，缺點是預測得到的結構受限于數據庫中存在的材料。此外，機器學習算法在材料科學中另一個重要的應用在于尋找結構和性能間的映射規律^[6]，進而更高效的挖掘具有特定功能的材料，加速其從發現到應用的過程。

圖2 遺傳算法流程圖^[7]

3.基于結構搜索算法預測新材料

結構搜索算法包含模擬退火法、盆地跳躍法、遺傳算法和粒子群優化算法等。這里以遺傳算法為例，簡單介紹其進行結構搜索的過程。首先給定所含原子種類和數目，然后隨機生成一些材料結構作為初始群體。這些結構所包含的信息（晶格參數和原子位置）作為基因，通過變異、雜交等方法進化出子代。設置能量等作為適應性篩選條件，不斷對群體進化，直到收斂，得到一些能量較低的結構。由于篩選前需要對結構進行優化，之后再根據不同結構的能量高低作為適應性篩選條件，因此結構優化的質量和計算能量的精確性就變得至關重要。目前而言，第一性原理計算是精確度比較高的方法，但是其計算效率往往比較低，尤其是在直接利用其對包含較多原子的超胞進行結構優化的情況下。通常的做法是利用經驗勢等分子動力學方法進行初始結構優化，然后再利用第一性原理計算對其結構進行優化，進而計算能量^[8]。另外，結構搜索算法可以幫助人們分析一些極端條件下合成的新材料。例如：Yanming Ma等人^[9]通過在高壓條件下進行結構搜索發現一種“雙六方密排堆積”的鈉結構，其和高壓實驗中觀測到的“透明”鈉的拉曼譜及部分XRD吻合得很好，進而確定了它的結構。進一步理論計算發現，幾百Gpa的高壓使得p-d軌道雜化價電子被內殼層電子排斥到原子間隙，電子高度局域化，成為絕緣體。總之，結構搜索算法可以用來發現許多之前沒有合成的新材料或幫助分析一些極端條件下合成的新材料，但是其比較依賴計算資源。

圖3 新材料設計方法

這三種方法并不彼此獨立，而是相輔相成的關系。人們憑借專家知識和經驗設計具有某種新奇物性的材料，可以擴展材料數據庫。通過大數據、機器學習等手段，人們可以從材料數據庫中挖掘出具有某種特定功能材料的特征因子，這些因子也能被用來幫助人們設計具有新奇物性的材料。機器學習方法可以通過學習材料結構和能量間的函數關系提升結構搜索算法效率。結構搜索算法進化出的新材料，又會進一步豐富材料數據庫。

參考文獻：

[1] Sheng X L, Yan Q B, Ye F, et al. T-carbon: a novel carbon allotrope[J]. Physical review letters, 2011, 106(15): 155703.

[2] Zhang J, Wang R, Zhu X, et al. Pseudo-topotactic conversion of carbon nanotubes to T-carbon nanowires under picosecond laser irradiation in methanol[J]. Nature communications, 2017, 8(1): 683.

[3] Liu Y, Zhao T, Ju W, et al. Materials discovery and design using machine learning[J]. Journal of Materiomics, 2017, 3(3): 159-177.

[4] Fischer CC, Tibbetts KJ, Dane M, Ceder G. Predicting crystal structure by?merging data mining with quantum mechanics. Nat Mater 2006;5:641-6.

[5] Hautier G, Fischer CC, Jain A, Mueller T, Ceder G. Finding nature's missing?ternary oxide compounds using machine learning and density functional?theory. Chem Mater 2010;22:3762-7.

[6] Isayev O, Oses C, Toher C, et al. Universal fragment descriptors for predicting properties of inorganic crystals[J]. Nature communications, 2017, 8: 15679.

[7] Zurek E. Discovering new materials via a priori crystal structure prediction[J]. Reviews in Computational Chemistry, 2016, 29: 274-326.

[8] Glass C W, Oganov A R, Hansen N. USPEX—Evolutionary crystal structure prediction[J]. Computer physics communications, 2006, 175(11-12): 713-720.

[9] Ma Y, Eremets M, Oganov A R, et al. Transparent dense sodium[J]. Nature, 2009, 458(7235): 182.

本文由?寧寧 供稿。

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：cailiaorenVIP.