人工智能在材料科学的应用

人工智能在材料科学的应用

1. 绪论

在传统的新材料开发方式及材料制作工艺中，材料科学研究者往往是通过实验与模拟的方法进行研发，所需要的工程量十分巨大并且获得的目标材料需要依赖一定的经验与运气，如何提供材料的研发效率成为了材料科学研究者的首要目标。而随着人工智能技术在众多领域的出色表现，越来越多的研究者也投入人工智能与材料科学的研究，并在两者的结合中取得了众多研究成果。 

2016年5月，Nature 将一篇机器学习算法改变材料发现方式的论文放上封面，并提出“从失败中学习”[1]：美国研究者利用机器学习算法，用失败的实验数据预测了新材料的合成，并且在实验中机器学习模型预测的准确率超过了经验丰富的化学家。这一研究意味着人工智能将改变传统材料发现方式，通过人工智能技术发明新材料的可能性也将大幅提高。

 

图 1‑1 2016年5月5日《Nature》封面

同月，Nature新闻专题的封面也刊登了一篇题为《人工智能将创造更优秀的材料？》（《Can artificial intelligence create the next wonder material?》）[1].[2]的文章。该文章认为，通过计算机建模和机器学习技术，可以很快地根据人们所需要的性能预测出相应候选材料。因此，科学家们将不再需要瞎猫撞死耗子般地制作新材料，而是按照计算机计算结果的指导，制作出相应候选材料并测试，从而加快了新材料的研发的速度和效率。

2020年7月在web of science数据库通过对关键词“machine learning”和“deep neural networks”检索，筛选关于材料化学能源领域发现，关于机器学习已经发表了6335篇。可见目前将人工智能技术应用在材料科学领域已经成为一大热点。

 

图 1‑2 web of science数据库检索结果

2. 基于人工智能技术的材料科学研究的发展

2.1 材料科学的发展阶段

根据研究方法的变革，可以将材料科学的发展分作4个阶段：经验测试阶段、理论研发阶段、计算模拟阶段[1].[3]、人工智能阶段。

(1) 经验测试阶段

在材料科学的早期，研究者往往是以经验科学为主进行材料研究。在该阶段研究者凭借对材料的长时间测试与应用，从而积累对材料特性的经验。该阶段研究者需要经历反复实验，新材料产生的周期长、效率低。

(2) 理论研发阶段

随着各领域研究的深入，材料科学的理论基础逐渐成熟起来，理论模型中的热力学模型的应用为材料研究提供了众多帮助，提高了新材料研究的效率。

(3) 计算模拟阶段

计算机的应用使得材料科学的研究进入了计算模拟阶段，一系列模拟计算方法大大提升了材料科学的研究。

(4) 人工智能阶段

随着人工智能技术的普及和机器学习深度学习技术在材料领域的应用，AI 技术与材料研发的结合逐渐紧密，并在材料设计领域发挥极其关键的作用。

2.2 材料科学在人工智能阶段的发展因素

随着进入人工智能阶段，材料科学进入了高速的发展期，而材料科学之所以能有效结合人工智能技术，主要得益于以下三点因素[4]：

(1) 充足的材料科学理论研究

人工智能技术的应用需要有相应应用领域的理论支撑，随着研究者对材料科学理论研究的深入，越来越多物理机制以及材料结构与性能的关系能够从理论层面去解释，从而有利于通过计算机基于材料科学理论去模拟真实材料的结构与性能。

(2) 多尺度、高通量的模拟计算软件与高效的计算能力

随着针对材料科学的模拟计算软件的发展，材料模拟计算软件能够愈加精确地模拟不同材料结构与材料特性。基于多尺度、高通量的模拟计算软件，能更加高效地结合人工计算进行应用，同时结合高效的计算机计算能力，能够将需要大规模算力支持的人工智能技术结合模拟计算软件进行材料科学的研究。

(3) 规模化、系统化的材料数据库

材料基因工程理念提出后，规模化、系统化材料数据库逐渐发展成型，并开始关注发展数据共享、数据自动收集和输出等系列新功能。一方面，材料数据库可为高通量的人工智能实验以及高通量计算结果提供海量数据存储空间； 另一方面，材料数据库为高通量人工智能计算提供数据参数，能有效挖掘材料原理与指导新材料的设计。

3. 基于人工智能技术的材料科学研究的研究领域

基于人工智能技术的材料科学的研究领域主要集中在材料逆向分析、新材料发现以及材料预测三个方面，三个方面也对应着人工智能技术应用的三个步骤：数据的挖掘、模型的训练与优化、模型的应用。下文将举例现阶段各研究者分别在三个方面的具体应用。

图 3‑1 基于人工智能技术的材料科学研究的研究领域的三个方面

2.1 逆向分析-数据的挖掘

在逆向分析的领域，研究者基于所收集的材料数据信息进行数据挖掘，从而在数据中挖掘出有利用价值的规律，如材料不同性质之间的联系，进而总结新的数据信息。

《半监控机器学习在材料合成过程中的应用》[5]（《Semi-supervised machine-learning classification of materials synthesis procedures》）中，作者演示了一种半监督的机器学习方法，用于根据书面自然语言对无机材料的合成程序进行分类。无需任何人工输入，潜在的Dirichlet分配就可以将关键字聚集到与特定实验材料合成步骤相对应的主题，例如“研磨”和“加热”，“溶解”和“离心分离”等。在少量注释的指导下，随机分类可以将这些步骤与不同类别的材料合成（例如固态或水热合成）相关联。

最后，作者证明了实验步骤顺序的马尔可夫链表示可以准确地重建可能的合成程序流程图。这种机器学习方法提供了一种可扩展的方法，可以从文献中解锁大量的无机材料合成信息，并将其处理为标准化的机器可读数据库。

图 3‑2 通过马尔可夫链表示可以准确地重建可能的合成程序流程图

《从大量沸石材料合成记录中将合成和结构相联系》[6]（《Linking synthesis and structure descriptors from a large collection of synthetic records of zeolite materials》）这项研究使用机器学习技术分析了从文献中收集的沸石的合成记录，以合理化对其性质和结构的理解。从机器学习模型中提取的综合描述符用于识别具有适当重要性的结构描述符。基于结构描述符的晶体结构相似性网络，显示了由合成相似材料组成的群落的形成。基于先前被忽略的结构相似性的交叉实验，揭示了沸石的合成相似性，证实了合成结构之间的关系。该方法适用于使经验知识合理化、填充合成记录并发现新颖材料的系统。

图 3‑3 《从大量沸石材料合成记录中将合成和结构相联系》研究流程

3.2 新材料发现-模型的训练与优化

在新材料发现领域，研究者通过构建相关人工智能算法模型并输入大量的材料数据，从而训练出具有材料设计功能的人工智能算法模型，协助研究者寻找与发现新材料。

《基于过程-结构-性能-性能互惠的弱监督学习关系提取》[7]（《Relation extraction with weakly supervised learning based on process-structure-property-performance reciprocity》）中，研究人员利用物理和化学理论并借助于量子力学，让计算机重新发现变量之间的关系，这是借助人工智能进行材料设计的新方法。

研究人员可以创建不同的材料变量，并询问AI系统设计将如何体现，如果让分子链更长或更短，或添加不同的化学物质会发生什么变化，计算机都会给出性能结果。执行一次迭代只需要几微秒，而传统方法可能需要几天甚至几周。 

用户可以输入他们想要的所需材料属性，系统将搜索数以千计的科学文章以寻找匹配的材料。系统利用这种简单的组合关系来设计材料，同时允许大规模批量生产这些具有相同高性能的新材料。AI使得计算机可以在很短的时间内解决问题，单纯依赖研究人员将要花费几倍的时间。

图 3‑4 《基于过程-结构-性能-性能互惠的弱监督学习关系提取》功能流程

在以往的研究中，机器学习方案的成功是基于数据库中数据的共同趋势，通过这样的共同趋势训练，开发的模型可以应用于预测大多数化合物的结构与性能的关系。这对通常的化合物是有效的、准确的，因为在材料数据库的大多数情况下，通常化合物具有规则的结构单元。然而，例外总是存在的(即使有95%的预测精度，总还有5%的例外)。

在《使用大数据和机器学习技术在异常中发现异常结构》[8]（《Discovering unusual structures from exception using big data and machine learning techniques》）中，潘锋团队通过对大量数据不断改良机器学习不仅能够实现高精度预测材料的结构和性能相关性（相当于发现材料的“遗传”性质），同时首次原创性着眼于这些不在预测范围的“例外”，并且通过分析这些“例外”（相当于发现材料的“变异或突变”性质），即分析远离总体趋势的异常结果，从中获得新的洞见，发现了新型的结构基元（具有正3价的银离子基团），这对基础物理化学有了一些新的认识，并在科学上开辟了新的领域。

图 3‑5 《使用大数据和机器学习技术在异常中发现异常结构》研究流程

在该工作中，团队通过自主建立了一个包括HSE计算数据的材料结构数据库，并基于此通过机器学习的方法对材料结构的带隙进行学习，并展示了机器学习是如何被用来作为一种工具来挑选这些不寻常的案例，以及如何用传统的分析方法来研究这些不寻常的案例，从而拓宽已有的科学知识。

在该工作中，团队只使用了相对较小的数据集进行训练，并且ML模型的总体性能与已有的工作相当，模型R2约为0.89。通过观察带隙预测模型的结果，团队从数据库约4000种化合物中确定了34种不同寻常的“例外”化合物，在具体的分析之后，其中许多化合物具有不寻常的结构或其它异常，如特殊的配位环境或氧化态，带隙相对于同族其它化合物的突然增加，或是同族不同化合物之间的不同相结构。

图 3‑6 机器学习预测带隙的结果

在这些具有较大预测误差的化合物中，团队发现了具有Ag3+和O22-特殊结构的AgO2F。随后，通过与KAgO2（“正常”结构）的电子结构对比，他们发现AgO2F中不寻常的氧化态（O22-）使得O与Ag之间轨道杂化很小，带隙附近的能级主要由O原子的2p轨道贡献，带隙远小于其它含有Ag3+的化合物。这一实例证明了可以通过检查机器学习模型中的异常，从大型数据库中快速发现异常结构。

图 3‑7 AgO2F（“异常”）与KAgO2的电子结构比较。AgO2F由于具有不寻常的氧化态（O22-）从而具有异常表现

3.3 材料预测-模型的应用

在材料预测领域，研究者通过训练出相关人工智能算法模型总结材料状态与材料性能规律，进而利用人工智能算法模型结合所监测的材料状态分析材料的性能。

有机光伏（OPV）电池提供一个直接的和经济的方式来将太阳能转化为电能。近年来，OPV的研究迅速发展，功率转换效率（PCE）已超过17％。迄今为止，OPV研究的主流一直集中在建立新的OPV分子结构与其光伏性质之间的关系。该过程通常涉及光伏材料的设计和合成，材料的光电性能表征以及光伏电池的组装和优化。

这些传统方法通常需要精细控制化学合成、制造精密装置、费力的纯化和繁琐的实验步骤，这导致大量的资源投入以及较长的研究周期。因此，OPV的开发效率低下且缓慢。

《机器学习辅助的高性能有机光伏材料分子设计和效率预测》[9]（《Machine learning–assisted molecular design and efficiency prediction for high-performance organic photovoltaic materials》）中，重庆大学的孙宽教授、中科院的陆仕荣教授和肖泽云教授共同建立了一个数据库，其中包含从文献中收集的1719个经过实验测试的OPV供体材料。他们首先研究了分子的表达对ML性能的重要性。为了确定最合适的表达式，我们测试了不同类型的表达式，包括图像、ASCII字符串、两种类型的描述符和七种类型的分子指纹。根据PCE值，描述符可将材料分为“低”和“高性能”。指纹具有最佳性能（预测PCE类的准确度为81.76％），并且其长度对预测的准确性有显着影响。

此外，作者使用了多种ML算法进行分类。研究发现，当处理小型数据库时，RF模型的性能优于其他模型。最后，作者通过合成10种新的OPV供体材料独立验证了ML模型。该模型的预测与实验结果吻合良好。

通过这项工作，作者为OPV研究建立了一种新方法，即通过ML模型预筛选设计的OPV分子，然后仅关注在后续实验中通过ML虚拟评估的分子。这种方法将大大加快开发用于OPV应用的新型高效有机半导体材料的探索过程。

4. 基于人工智能技术的材料科学研究的问题与展望

4.1 基于人工智能技术的材料科学研究的现存问题

人工智能变革材料科学研究方法尚存在不少问题：

一是受制于材料数据、材料性能控制因素，人工智能目前仅对少部分材料奏效。

二是计算机预测的材料，并不一定能够在实验室成功合成乃至规模量产，这个过程可能会很长。

4.2 基于人工智能技术的材料科学研究的展望

针对现存问题，本文提出两大发展方向：材料数据库的扩充与新技术的发展。

(1) 材料数据库的扩充

更多更为详尽的材料数据库可为研发人员缩短研发周期和研发成本。当前的材料研究的思路是对成分、工艺的调整，获得具有理想微结构与性能匹配的目标材料。材料数据库建立了成分、工艺、微结构、性能之间的内在联系，将有利于设计与优化材料成分与工艺。

(2) 新技术的发展

新技术的突破与应用能为研发人员带来更多意想不到的惊喜。例如陶瓷材料作为一种具有26000年历史的材料，因其突出的热力学，机械及化学稳定性获得了广泛的应用，但一直以来陶瓷制备工艺需要长时间烧结的难题成为其发展的巨大限制，尤其是因烧结引起的组分挥发问题。而马里兰大学(UMD)材料科学与工程系(MSE)的科学家们创造性的发明了一种超快高温烧结(UHS)陶瓷的新方法，以不到10s时间制造出块体陶瓷材料，从而将十几小时的烧结时间缩短到几秒钟，这种新方法解决了理论计算和人工智能等引导发现新材料的关键瓶颈问题。

 

 

参  考  文  献

1. 1. Machine-learning-assisted materials discovery using failed experiments, Paul Raccuglia…, Nature volume 533, pages73–76(2016)
   2. Can artificial intelligence create the next wonder material? (Nicola Nosengo., 2016, DOI: 1.19850)
   3. Agrawal A, Choudhary A.Apt Mater/a/s[J],2016,4(5):1-17．
   4. 王卓,王礞,雍歧龙,郭艳华,崔予文. 材料信息学及其在材料研究中的应用[J]. 中国材料进展,2017,36(02):132-140.
   5. Semi-supervised machine-learning classification of materials synthesis procedures (npj Computational Materials, 2019, DOI: 10.1038/s41524-019-0204-1)
   6. Linking synthesis and structure descriptors from a large collection of synthetic records of zeolite materials (Nat. Commun., 2019, DOI: 10.1038/s41467-019-12394-0)
   7. Relation extraction with weakly supervised learning based on process-structure-property-performance reciprocity(Takeshi Onishi…, DOI: 10.1080/14686996.2018.1500852)
   8. Discovering unusual structures from exception using big data and machine learning techniques(Jianshu Jie1…, DOI: 10.1016/j.scib.2019.04.015)
   9. Machine learning–assisted molecular design and efficiency prediction for high-performance organic photovoltaic materials (Sci. Adv., 2019, DOI: 10.1126/sciadv.aay4275)