新材料甄選：機器學習技術大顯身手！

導讀

新材料的材料過程往往是十分艱難的，而從相對較小的材料家族中尋找特殊屬性的材料，往往是難上加難。然而，來自美國西北大學和洛斯阿拉莫斯國家實驗室的科研人員找到了一個變通方案：他們開發了一種新型工作流，它結合了「機器學習」和「密度泛函理論計算」，成為具有「鐵電性」和「壓電性」等特殊電子特性的新材料的設計指南。

(圖片來源：美國西北大學)

研究背景

分層結構材料，在特定的幾何形狀下，會具有一些特殊電子特性例如「鐵電性」和「壓電性」，這些特性對於電子、通信、能源等領域解決方案很是關鍵。然而這些材料很稀有，對於使用傳統方法制定相關指導方針，提供的數據很少。

所以，麥考密克工程學院的材料科學與工程的助理教授 James M. Rondinelli 如此評論：

「當其他人尋找新材料時，特別是他們想要通過相似材料的大量數據去尋找，通常這個過程並不容易實現。但是，我們能知道如何從大量數據集中提取有效數據。如果你沒有足夠的數據信息，從數據中學習就會變得很困難。」

研究簡介

一篇題為《從數據中學習設計沒有反對稱性的功能材料》「Learning from data to design functional materials without inversion symmetry」 的論文發表於2017年2月17日的《自然通信》刊物上。

美國新墨西哥州洛斯阿拉莫斯國家實驗室 Prasanna Balachandran、Rondinelli實驗室的前研究生 Joshua Young、和洛斯阿拉莫斯國家實驗室的高級研究員Turab Lookman 都是文章的貢獻者。

該研究項目由美國國家科學基金會和洛斯阿拉莫斯國家實驗室指導研究和發展項目贊助，Rondinelli 的小組專註於「二維複雜氧化物類」的研究。這些材料擁有很多技術屬性例如鐵電性和壓電性，可以與當今電子設備中廣泛使用的傳統半導體材料進行交互。

傳統數據科學的局限

Rondinelli 說：

「在這個家族中，數據集是很小的。目前我們只發現了差不多10到15種材料具有這些屬性。工作所需要處理的數據並不多。然而，傳統的數據科學是用於大數據問題，並且無需特定領域知識。」

機器學習

使用機器學習選擇材料，並不是什麼新鮮事了。之前我就在《防止鋰電池爆炸！科學家用人工智慧開發固體鋰電池》一文中介紹過，斯坦福大學研究人員人工智慧和機器學習方法選擇固態鋰電池材料。

對於使用機器人學習，Balachandran 補充解釋說：

「雖然問題具有小數據性，但是我們的方案之所以能夠有效，是因為我們能夠將對於這些材料的理解（領域知識）和數據相結合，通知給機器學習系統。」

因此，研究小組開始構建已知材料的資料庫，並且利用機器學習（計算機科學的一個分支，可以構建從數據中學習的演算法，然後使用學習進行更好的預測），他說：

「通過機器學習，我們能夠區分材料的化學組成，看看哪些適用於你想要開發的材料。」

他們研究了超過3000種可能的材料，使用這種數據科學方案尋找到了超過200種有希望的候選材料。下一步，團隊將使用幾種量子力學計算，評估這些材料的原子結構和檢查它們的穩定性。

Rondinelli 補充道：

「我們想要知道：材料會具有預測的結構嗎？它有電極化嗎？它可以進行實驗室製造嗎？」

研究意義

這項工作將可能的候選材料的數量降到19，這些材料被推薦用於實驗室合成。目前為止，在200種有希望的材料中，可能存在更多的可能性。

特別是，當開發新材料時，這些可能性數目太大，無法每個都進行探索和研究。篩選有用材料的過程將會十分昂貴，所以科學家必須有選擇的進行投資。

Balachandran 說：

「我們的研究可以節約大量的時間和資源，我們並不是開發所有可能的材料，只有那些最有前途的材料才會被推薦用於實驗室研究。」

參考資料

【1】http://www.mccormick.northwestern.edu/news/articles/2017/02/designing-new-materials-from-small-data.html