物理所等利用機器學習方法預測材料性能獲進展

　　近二十年來，機器學習方法的發展為我們的生活帶來許多便利。智能網絡搜索、語音識別，乃至無人超市、無人駕駛汽車等，依託於機器學習方法的新事物正迅速地在生活中普及。Alpha Go的橫空出世更讓世界驚嘆於人工智慧的潛在價值。在科研領域，大數據的理念正在改變著科研人員對未知世界的探索方式。美國在2011年提出了材料基因組計劃（Materials Genome Initiative），以期加快材料的研發過程。我國懷柔科學城的發展規劃中，「材料基因組研究平臺」項目已全面開工建設。高通量實驗+高性能計算+深度數據分析的研究方式已經成為時代發展的趨勢。

　　在非晶合金研究領域，如何設計並開發出具有良好玻璃形成能力的合金，是一個具有重要產業價值的科學問題。過去非晶合金材料新體系的探索主要依據經驗性判據的指導，由於其準確性與通用性的限制，非晶新材料的研發速度非常緩慢。如何提高材料設計的效率，尋找具有更優性能的材料，是非晶材料領域非常具有挑戰性的問題。

　　最近，中國科學院物理研究所/北京凝聚態物理國家實驗室（籌）汪衛華研究組博士研究生孫奕韜在研究員汪衛華、白海洋及中國人民大學物理系教授李茂枝的指導下，使用機器學習的方法，對二元合金的玻璃形成能力進行了系統分析，建立了合金成分與性能之間的關聯，並對可能的新材料進行了預測。研究過程中使用了支持向量機（Support Vector Machine）這種方法（圖1），通過構建多維空間，並在這個多維空間內對數據進行分割，從而建立輸入參量與輸出參量之間的關聯。該研究方法可通過不斷選擇新的參數對模型進行重複訓練，探討了合金的不同性質對其玻璃形成能力的影響（圖2）。研究發現，參量Tliq（表徵合金過冷能力的參量）與合金的玻璃形成能力有最為顯著的關聯，而且使用參量Tliq與Tfic（表徵合金熱穩定性）作為輸入參數，可以得到具有最佳預測效率的模型。通過對最佳模型的分析，發現已知的具有良好玻璃形成能力的二元合金，其分布與模型的預測值具有很好的一致性（圖3）。使用這個模型，可以對未知的合金成分進行預測，這樣由深度數據分析指導設計的實驗，可以極大地縮短非晶合金材料的研發周期（圖4）。該工作作為使用新的工具對經典問題進行分析的一種嘗試，得到了初步成果。這表明，機器學習的方法在非晶材料設計與研發領域具有重要的應用前景。採用更全面、完善的資料庫，運用更深入的人工智慧算法，機器學習方法能夠為非晶等領域科研人員提供更精準的信息，進一步加速材料的研發過程。

　　這項研究結果最近發表在J. Phys. Chem. Lett. 8， 3434（2017）上。該項研究工作得到國家自然科學基金項目（51571209，51461165101）、科技部「973」項目（2015CB856800）和中科院前沿科學關鍵研究項目（QYZDY-SSW-JSC017）的支持。

    圖1. 支持向量機方法的基本過程，包括四個主要部分：資料庫的建立，模型的訓練，模型的評估，以及最優模型的預測。

圖2. 不同的輸入參數得到的模型的預測結果。

圖3. 最優模型的預測結果。已發現的優秀材料與模型預測（紅色區域）有很好的一致性。

圖4. 最優模型預測得到最佳玻璃形成能力的合金體系的成分雲圖。

　　近二十年來，機器學習方法的發展為我們的生活帶來許多便利。智能網絡搜索、語音識別，乃至無人超市、無人駕駛汽車等，依託於機器學習方法的新事物正迅速地在生活中普及。Alpha Go的橫空出世更讓世界驚嘆於人工智慧的潛在價值。在科研領域，大數據的理念正在改變著科研人員對未知世界的探索方式。美國在2011年提出了材料基因組計劃（Materials Genome Initiative），以期加快材料的研發過程。我國懷柔科學城的發展規劃中，「材料基因組研究平臺」項目已全面開工建設。高通量實驗+高性能計算+深度數據分析的研究方式已經成為時代發展的趨勢。
　　在非晶合金研究領域，如何設計並開發出具有良好玻璃形成能力的合金，是一個具有重要產業價值的科學問題。過去非晶合金材料新體系的探索主要依據經驗性判據的指導，由於其準確性與通用性的限制，非晶新材料的研發速度非常緩慢。如何提高材料設計的效率，尋找具有更優性能的材料，是非晶材料領域非常具有挑戰性的問題。
　　最近，中國科學院物理研究所/北京凝聚態物理國家實驗室（籌）汪衛華研究組博士研究生孫奕韜在研究員汪衛華、白海洋及中國人民大學物理系教授李茂枝的指導下，使用機器學習的方法，對二元合金的玻璃形成能力進行了系統分析，建立了合金成分與性能之間的關聯，並對可能的新材料進行了預測。研究過程中使用了支持向量機（Support Vector Machine）這種方法（圖1），通過構建多維空間，並在這個多維空間內對數據進行分割，從而建立輸入參量與輸出參量之間的關聯。該研究方法可通過不斷選擇新的參數對模型進行重複訓練，探討了合金的不同性質對其玻璃形成能力的影響（圖2）。研究發現，參量Tliq（表徵合金過冷能力的參量）與合金的玻璃形成能力有最為顯著的關聯，而且使用參量Tliq與Tfic（表徵合金熱穩定性）作為輸入參數，可以得到具有最佳預測效率的模型。通過對最佳模型的分析，發現已知的具有良好玻璃形成能力的二元合金，其分布與模型的預測值具有很好的一致性（圖3）。使用這個模型，可以對未知的合金成分進行預測，這樣由深度數據分析指導設計的實驗，可以極大地縮短非晶合金材料的研發周期（圖4）。該工作作為使用新的工具對經典問題進行分析的一種嘗試，得到了初步成果。這表明，機器學習的方法在非晶材料設計與研發領域具有重要的應用前景。採用更全面、完善的資料庫，運用更深入的人工智慧算法，機器學習方法能夠為非晶等領域科研人員提供更精準的信息，進一步加速材料的研發過程。
　　這項研究結果最近發表在J. Phys. Chem. Lett. 8， 3434（2017）上。該項研究工作得到國家自然科學基金項目（51571209，51461165101）、科技部「973」項目（2015CB856800）和中科院前沿科學關鍵研究項目（QYZDY-SSW-JSC017）的支持。

    圖1. 支持向量機方法的基本過程，包括四個主要部分：資料庫的建立，模型的訓練，模型的評估，以及最優模型的預測。

圖2. 不同的輸入參數得到的模型的預測結果。

圖3. 最優模型的預測結果。已發現的優秀材料與模型預測（紅色區域）有很好的一致性。

圖4. 最優模型預測得到最佳玻璃形成能力的合金體系的成分雲圖。