近些年，人工智能技術的發展如火如荼，從AlphaGo到AlphaFold，人工智能開始在科學研究中發揮著史無前例的作用，科學研究的范式也從“因果式”向“數據驅動式”進行轉換。其中，作為人工智能技術實現過程中的關鍵一環，機器學習算法不但可以實現科學研究體系的性質預測、加快研發速度，同時隨著近期“AIGC（人工智能生成內容）”的火熱推進，各種“GAN生成式機器學習”模型也被應用到科學研究中，通過生成具有目標功能的新材料，使精確的“Inverse?Design逆向設計”成為可能。通過本專題，讓我們來詳細梳理機器學習在材料科學研究中的最新研究成果以及把握未來研究的發展動向。

1.?Nature子刊：原子間勢的深度學習用于新材料開發

來自美國加州大學圣地亞哥分校Shyue Ping Ong（王學彬）教授團隊報告了基于具有三體相互作用的圖形神經網絡（M3GNet）的材料通用IAP。M3GNet IAP是在過去十年中由材料項目執行的大規模結構弛豫數據庫上進行的培訓，在結構弛豫、動態模擬和不同化學空間材料的性能預測方面具有廣泛的應用。基于M3GNet能量，從3100萬個假設晶體結構的篩選中，約180萬種材料被確定為對現有材料項目晶體具有潛在穩定性。在凸殼上方能量最低的前2000種材料中，1578種材料通過密度泛函理論計算被證實是穩定的。這些結果表明，機器學習加速了發現具有特殊性質的可合成材料的途徑。研究成果以題為“A universal graph deep learning interatomic potential for the periodic table” 發表在知名期刊Nature Computational Science上，Chi Chen博士為本文的一作兼通訊作者。

原文詳情：Nature子刊：原子間勢的深度學習用于新材料開發

2.?Communications Materials: 詳解圖神經網絡在化學和材料科學中大展宏“圖”

2022年11月，德國卡爾斯魯厄理工學院Pascal Friederich團隊綜述了圖神經網絡（GNN）在化學和材料研究中成果和進展，為把握最新的AI4Sci的技術手段提供了一份詳盡的內容寶典。相關研究工作以“Graph neural networks for materials science and chemistry”為題發表在Communications Materials上。

原文詳情：Communications Materials: 詳解圖神經網絡在化學和材料科學中大展宏“圖”

3.?Nature Energy：晶體圖注意力網絡用于預測穩定材料

德國耶拿弗里德里希-席勒大學和歐洲理論光譜研究所Silvana Botti教授團隊開發了一個超越上述所有方法的用于預測穩定材料的模型，該模型基于組合物和通用結構原型來預測到凸包的距離，而不需要精確的晶體結構知識。全文從開發的模型和積累的數據集開始描述，通過詳細研究鈣鈦礦的第四系族來展示模型的強度，得到結果，并在材料和方法中討論了工作的細節。相關研究工作以“Crystal graph attention networks for the prediction of stable materials”為題發表在國際頂級期刊Science?Advances上。

原文詳情：Nature Energy：晶體圖注意力網絡用于預測穩定材料

4.?機器學習預測分子結構，Nature Reviews Chemistry最新綜述！

?

美國洛斯阿拉莫斯國家實驗室Sergei?Tretiak教授（通訊作者）全面總結了基于ML評估化學性質的發展，例如部分原子電荷、偶極矩、自旋、電子密度、化學鍵以及獲得簡化的量子力學描述。同時，作者概述了幾種現代神經網絡架構，以及它們的預測能力，通用性和可轉移性，并說明了它們對各種化學性質的適用性。此外，作者還強調了學習的分子表示類似于量子力學類似物，證明了模型捕獲基礎物理學的能力，以及討論了ML模型如何描述非局部量子效應。最后，作者編制了一份可用的ML工具箱列表，總結了未解決的挑戰和展望了未來的發展。總結的趨勢表明，本領域的發展正在向由ML增強的基于物理的模型發展，其伴隨著新方法的開發以及用戶友好的ML化學框架正在快速增長。相關研究成果以“Extending machine learning beyond interatomic potentials for predicting molecular properties”為題發表在Nature Reviews Chemistry上。

原文詳情：機器學習預測分子結構，Nature Reviews Chemistry最新綜述！

5.?PRB：超越密度泛函理論的機器學習力場

近日，奧地利VASP軟件有限公司劉培濤博士提出了一種生成具有超越DFT精度的MLFF的方法，該方法結合了高效的動態主動學習方法和機器學習。使用此方法，基于無規相位近似（RPA）生成氧化鋯的MLFF。具體地，在基于DFT的分子動力學模擬過程中，通過另一個基于RPA和DFT計算的能量、力和應力張量之間的差異進行訓練的MLFF來校動態學習中訓練的MLF。研究表明，由于這些差異的相對平滑性，顯著降低了計算成本，并允許生成完全能夠重現超越DFT的高級量子力學計算的MLFF。隨后驗證了該方法，并證明了其在研究ZrO₂相變方面的成功。研究成果以題為“Phase transitions of zirconia: Machine-learned force fields beyond density functional theory” 發表在知名期刊PHYSICAL REVIEW B上。

原文詳情：PRB：超越密度泛函理論的機器學習力場

6.?Nature子刊：機器學習助力化學家精準預測有機反應結果

在此，韓國國際科學技術院化學與生物分子工程系Yousung Jung教授團隊設計了一種廣義反應模板（generalized reaction template, GRT），這是一種僅通過原子映射法描述反應前后原子構型局部變化，而沒有特定原子類型或官能團信息的反應模板。基于該模板，研究設計了一種化學驅動的圖神經網絡機器智能平臺來預測反應產物，研究人員將其命名為LocalTransform。與專業化學家相似的是，LocalTransform能夠通過識別反應中心來預測反應結果，并根據局部化學環境變化然后通過全局注意機制的選擇性來識別反應原子。最終反應結果由模板分類器進行預測，該分類器可為化學反應中心提出最可能的構型變化，然后實現精準的結果預測。此外，研究人員還總結了LocalTransform在預測有機反應結果方面的三個重要突破:

1、研究提出的基于GRT構建的機器學習平臺能夠準確描述測試反應中99.7%的實驗結果，而這之前最受歡迎的前100個模板僅能描述94.6%，從而證明該研究在解決傳統模板覆蓋率低、可擴展性差等問題方面走出了關鍵一步。

2、LocalTransform對于Top-K產品的預測精度相比之前基于圖的方法有了顯著的提升，Top-K準確率是用來計算預測結果中概率最大的前K個結果包含正確標簽的占比。

3、該模型是一種基于分類的方法，它具有很強的分數-準確度相關性，因此用戶能夠理解不確定性并信任該機器預測。

相關研究成果以“A generalized-template-based graph neural network for accurate organic reactivity prediction”為題發表在國際著名期刊Nature Machine Intelligence上。

原文詳情：Nature子刊：機器學習助力化學家精準預測有機反應結果

7.?Nature Materials：通過計算發現和理解材料

美國加州大學伯克利分校的雷干城（Steven G. Louie）院士通過四篇評論文章對計算材料設計的四個主要領域進行了深入的回顧。采用的方法范圍從第一性原理技術，到多尺度建模，到膠體自組裝的模擬，以及機器學習在這些領域的應用。作者簡要概述了材料計算建模方面的一些顯著進展，并討論了該領域的一些主要挑戰和機遇。

相關研究工作以“Discovering and understanding materials through computation”為題發表在國際頂級期刊Nature Materials上。

原文詳情：Nature Materials：通過計算發現和理解材料

8.?未來自動化實驗室的構建是什么樣的？請看這篇綜述

近日，來自美國猶他大學的Sterling G. Baird和 Taylor D. Sparks教授關于自動化實驗室發表了評述性論文。引入了一個優化任務的想法，該任務花費不到100美元、一平方英尺的辦公桌空間，完成了從購物車到第一次“自動駕駛”的過程，總共花費時間為一個小時。由于光比物質更容易移動，該文在演示中使用的是光學而不是化學。雖然不是基于材料的，但在這個跨領域示例中保留了自動化材料的幾個核心原則:向硬件發送命令以調整物理參數，接收測量的目標屬性，通過主動學習和云計算做出決策。該演示是可訪問的、可擴展的、模塊化的和可重復的，使其成為SDL概念的低成本原型設計和在低風險環境中學習SDL原理的理想候選。相關評述以“What is a minimal working example for a self-driving laboratory?”為題發表在國際著名期刊Matter期刊上。

原文詳情：未來自動化實驗室的構建是什么樣的？請看這篇綜述