近日，北卡罗来纳大学（UNC）和杜克大学的科学家开发出一种机器学习算法，这种算法能在理论层面上预测包括金属、陶瓷和其他晶体在内的新材料性质，并为现有材料找到新的用途。
一般情况下，对新材料的预测和实验是很耗时的，科学家不得不以“试错”的方式制备材料，该发明无疑大大简化这一过程。
图丨多变的材料世界及其内部结构北卡罗来纳大学（UNC）药学院的OlexandrIsayev博士和AlexanderTropsha博士利用国家标准技术局（NIST）无机晶体结构数据库中将近6万种特殊材料的数据，开发了这种算法工具，并将其命名为“PropertiesLabeledMaterialsFragments”（PLMF）。
利用机器学习分析和模拟已有晶体结构，PLMF方法能够预测科学家提出的新材料的性能，甚至还能够填充NIST数据库中缺少的、且从未被测试出来的材料数据。
图丨PLMF的建模过程：先分析晶体结构及其与周围的排布，构建图像模型；原子为图像节点，共价键/离子键为边界
“通常新材料的发现推动科技的发展，只不过新材料的发现总是具有偶然性”，Tropsha表示，“而机器学习是一种基于数据、源于知识的工具，早已在医疗领域的药品制备上应用广泛。开发新材料需要花费大量的时间和努力，但往往事与愿违，而PLMF工具就能够帮助材料科学家在真正合成材料之前验证他们的新点子是否可靠。”
图丨PLMF的深度学习模型：输入晶体结构输出电学和热力学性质
Tropsha是UNC的特聘教授，并且是分子模型实验室的负责人，而另一名研究领导者Isayev是UNC的助理教授。他们的研究成果发表在《自然通讯》期刊上。
图丨《自然通讯》上的论文PLMF的原理就是，首先创建包含小单元构成的晶体结构的“指纹信息”，来表述包括陶瓷、金属和合金在内的无机材料。然后，把这些信息与机器学习结合起来，由此得到该晶体的精确模型，进而就能够准确地预测8个关键的电学和热机械性能，包括导电性、硬度、压缩性、热传递、温变反应等。随着收集更多的数据，研究团队希望预测更多的性能。
图丨8个预测值（带隙能量、体积模量、杨氏模量、德拜温度、一定温度和压强下比热容以及热膨胀系数）与实际测量的相关性
实际中，人们想要实现某个特定的性能，就需要在该性能对应的一个范围里找到合适的材料。利用PLMF工具，结合对这些材料的认知以及机器学习，就可以快速地筛选出理想的材料。这样可以快速地缩小合适材料对应的范围，并避免很多无用的、复杂的计算，节省财力、时间和计算资源。
该团队与UNC化学系的JimCahoon助理教授合作，完成了第一个PLMF的实际应用案例——设计一种新型的电极材料用于低成本的太阳能电池。目前常用的氧化镍电极材料，效率低、有毒，并且需要有机试剂作为溶剂，而PLMF的新材料成功解决了许多问题。
图丨电池的两极在这一案例中，研究人员筛选了几乎5万种已知的无机化合物，并最终利用PLMF判定钛酸铅是最理想的电极材料。这一判定在后来的实验测试中得到了确认。结果证明，利用钛酸铅制备的装置表现出最优性能，并且它采用水作为溶剂，而非常用的有机溶剂，于是达到了降低成本且更加环保的效果。
Isayev表示：“钛酸铅可能并不是大多材料科学家的第一选择，因为它的结构与常用的氧化镍相差太多。基于铁、钴或者铜基材料更有可能被考虑，因为它们的化学性质与镍更相近。”
图丨钛酸铅晶体
“相比起我们的“试错”的研究，PLMF的机器学习找到了一个便捷和新颖的解决途径。”
