陈根：人工智能入场材料学，加速新功能材料设计

文/陈根

人工智能、大数据、量子力学以及超级计算的结合，加深了人们对材料的理解，并且使人们不再只是依赖人类直觉去发现新材料。

事实上，过往的重大材料的发现都是科学家偶然间或者多次试验得到的。例如，人们观察到用硫等添加剂加热可以提高橡胶的耐用性，于是在 19 世纪从其混合物中制造了硫化橡胶。但这种方法偶然性很大，可能花费数年。

还有一种量子化学方法，即用薛定谔方程式精确求解，通过确定原子核及其三维（3D）坐标位置的基本参数之后，揭示出分系的性质。但实际过程中，这个计算过程非常复杂。

如何找到符合条件的分子，是近年来材料科学家不懈努力的方向。在这个过程中，利用机器学习寻找材料和设计材料则为材料设计提供了新的思路。

近日，麻省理工学院核科学与工程系Norman C. Rasmussen副教授以及其他相关研究人员就开发出了一种新的方法，涉及一种新的机器学习方法，这将使其更快、更容易识别具有热能存储和其他用途的有利特性的材料，以此回应2020年9月发表在《自然-能源》杂志的一个“大挑战”——为热能储存装置寻找合适的材料，这些材料可以与太阳能系统协同使用。

具体来说，材料科学的一个核心挑战是“建立结构与性能的关系”——弄清楚具有特定原子结构的材料将具有的特性。研究团队就特别关注了使用结构知识来预测“声子态密度”，这对热性能有关键影响。

“声子态密度”只是在一个特定的频率或能量范围内发现的振动模式或声子的数量。知道了“声子态密度”，人们就可以确定一种材料的载热能力以及它的热导率，这与热量如何容易地通过一种材料有关，甚至可以确定超导体的超导转变温度。

如果人们想计算声子态密度，最准确的方法是依靠密度泛函微扰理论（DFPT），但是这些计算的规模是晶体基本构件中原子数量的四阶，这可能需要在一个CPU集群上花费数天的计算时间。对于包含两种或更多元素的合金，计算变得更加困难，可能需要数周甚至更长时间。

但此次开发的新方法则可以将这些计算需求减少到个人电脑上的几秒钟。研究人员采用了一种神经网络方法，利用人工智能算法，使计算机能够从实例中学习。这个想法是向神经网络提供足够的关于材料的原子结构及其相关的声子态密度的数据，使网络能够分辨出连接这两者的关键模式。在以这种方式进行“训练”之后，该网络将有望对具有特定原子结构的物质进行可靠的状态密度预测。

可以说，这几乎是一种革命性方法，其研究结果也已发表至《先进科学》上。