機器學習可以預測2維材料建模了

材料牛注：作為人工智能的核心——機器學習，其應用遍布人工智能的各個領域。日前，美國阿貢國家實驗室發現了機器學習的新應用，率先利用機器學習進行二維材料的建模，這將對發現和開發新材料有巨大促進作用。

上圖為錫烯的“荒原”：錫烯比它的“表親”石墨烯和硅烷更柔軟、波紋更多。機器學習，是通過大量數據訓練使計算機進行模式識別和預測，可以幫助醫生更準確地診斷疾病，在金融市場中預測股票的漲跌。現在材料科學家開創了機器學習的另一個重要應用——加快新材料的發現和開發。

美國能源部（DOE）阿貢國家實驗室的納米材料和先進光子源中心的研究人員（由計算科學家Subramanian Sankaranarayanan領導的一個研究團隊）在The Journal of Physical Chemistry Letters上發表了一項研究，聲稱利用機器學習可以準確預測納米材料的物理、化學和機械性能。他們用機器學習創建了首個原子級模型，準確預測了錫烯這種由單原子厚的錫片制成的二維材料的熱性能。

這項研究是應用機器學習進行材料建模的首例，與過去的建模方法相比，這種建模方法可以更準確地預測材料特性。

阿貢國家實驗室的博士后研究者Mathew Cherukara說：“預測建模對新材料的開發非常重要，包括投資生產前的一切準備工作，比如了解新材料的特點、對不同的刺激的響應狀態，以及如何有效提高商業應用性。”

傳統的原子尺度的材料建模一般需要開發數年時間，而且研究人員還不得不很大程度上依靠直覺來確定建模的參數。然而，Cherukara及其同事通過使用機器學習，不僅減少了人員投入，而且將精確建模的時間縮短到了幾個月。

阿貢國家實驗室博士后研究員Badri Narayanan說：“我們將來自實驗或基于理論計算得到的數據輸入電腦，然后向機器提問，比如可以給出材料所有性能的模型嗎？可以通過優化材料結構，控制缺陷或是定制材料來獲得特定的所需性能嗎？”

阿貢國家實驗室研究團隊率先使用機器學習進行二維材料建模。與大多數傳統模型不同，機器學習模型能夠準確捕捉鍵的形成和斷裂過程，機器學習模型不僅可以更可靠地預測材料性能（例如熱導率），而且可以使研究人員準確獲取化學反應，從而更好地了解特殊材料的合成方法。

機器學習構建模型的另一個優點，是過程不受材料種類限制，這意味著研究人員可以同時研究多種不同的材料，并用機器學習研究各種不同元素及其化合過程。

這項研究中的計算模型研究對象錫烯，是一種由錫制成的材料，近年來備受關注。從2004年石墨烯的發現到現在的錫烯，可以看出人們對二維材料的興趣日益增長。雖然錫烯離商業化應用還非常遙遠，但研究人員發現它在一些納米器件的熱管理（熱調節）中具有巨大的潛在應用。

原文鏈接：Machine learning enables predictive modeling of 2-D materials

文獻鏈接：Ab Initio-Based Bond Order Potential to Investigate Low Thermal Conductivity of Stanene Nanostructures

本文由編輯部龍騎士提供素材，鄭麗仙編譯，劉宇龍審核，點我加入材料人編輯部。

材料測試，數據分析，上測試谷。