npj：最佳材料的尋找—協同進化搜索

尋找具有最優性能的材料是材料科學中的核心問題。傳統來講，新材料基本依靠實驗的試錯法發現，耗時耗力。而實際可能存在的材料數目極其龐大。例如，將元素周期表上最常用的100種元素排列組合，可以得到4950種二元化合物，161700種三元化合物，3921225種四元化合物，對於更複雜的化合物，其種類更是指數增加。然而，目前人們僅僅探索了72%、16%和0.6%的二元、三元和四元化合物，對於更複雜化合物體系的了解更是少之又少。完全依靠實驗來發現這些新材料並從中篩選性能優越者正如大海撈針。近年來興起的數據發掘是一種被寄予厚望的手段，然而該方法要基於已有的材料資料庫完成，因此只能受限於已經發現的材料。

由Oganov教授領導的一個俄羅斯研究團隊針對上述計算材料科學的核心問題給出了一個非經驗的答案。他們將協同進化方法、新構造的「門捷列夫」化學空間、能量過濾和Pareto優化等一系列新技術相結合，提出了一種稱為門捷列夫搜索的預測方法。為了方便應用全局預測方法，他們首先根據原子的半徑和電負性為每個元素定義一個名為門捷列夫數的物理量。基於該物理量能夠合理地重整化學空間，使具有相似性質的化合物彼此接近。然後應用協同進化方法和多目標Pareto優化技術，以一種類似於生物學中複雜進化的方式搜索材料。由於協同進化算法能夠有效地對化學空間中最有希望的搜索區域進行採樣，該方法能夠以較低的計算成本發現大量高性能材料。以二元超硬和磁性材料為例，他們展示這種搜索方法的強大能力。特別是，僅一輪搜索，該方法就成功地找到了幾乎所有已知的超硬材料。該方法有望推廣，用於發現其它具有單一或者綜合優異性能的新材料。

該文近期發表於npj Computational Materials 6: 55 (2020)，英文標題與摘要如下，點擊https://www.nature.com/articles/s41524-020-0322-9可以自由獲取論文PDF。

Coevolutionary search for optimal materials in the space of all possible compounds

Zahed Allahyari & Artem R. Oganov

Over the past decade, evolutionary algorithms, data mining, and other methods showed great success in solving the main problem of theoretical crystallography: finding the stable structure for a given chemical composition. Here, we develop a method that addresses the central problem of computational materials science: the prediction of material(s), among all possible combinations of all elements, that possess the best combination of target properties. This nonempirical method combines our new coevolutionary approach with the carefully restructured 「Mendelevian」 chemical space, energy filtering, and Pareto optimization to ensure that the predicted materials have optimal properties and a high chance to be synthesizable. The first calculations, presented here, illustrate the power of this approach. In particular, we find that diamond (and its polytypes, including lonsdaleite) are the hardest possible materials and that bcc-Fe has the highest zero-temperature magnetization among all possible compounds.