Giới thiệu: Một kỷ nguyên mới cho các vật liệu khám phá

Học tập sâu, một tập hợp của trí tuệ nhân tạo, là xây dựng lại cảnh quan của khoa học vật liệu và kỹ thuật. bằng cách sử dụng mạng thần kinh rộng lớn và phức tạp các bộ dữ liệu, các nhà nghiên cứu bây giờ có thể tăng tốc độ thiết kế và phát hiện các vật liệu tiên tiến với tốc độ và độ chính xác chưa từng thấy. từ dự đoán các tính cơ học của các hợp kim để thiết kế các chất xúc tác mới cho năng lượng sạch, học tập sâu đang chuyển từ từ từ từ từ những quá trình thử nghiệm và khủng bố sang các dòng dữ liệu có khả năng dự đoán. bài này khám phá cách nghiên cứu sâu sắc được áp dụng cho các vật liệu tiên tiến về các vật liệu, các lợi ích chính nó mang lại, và các thử thách khi các lĩnh vực trưởng thành thục.

Học hỏi kỹ những điều cơ bản trong khoa học vật chất

Ở cốt lõi của cơ sở dữ liệu, việc học tập sâu sử dụng mạng thần kinh nhân tạo đa chiều để học các mẫu vật liệu. Trong khoa học vật liệu, những mô hình này được đào tạo dựa trên cơ sở dữ liệu lớn về cấu trúc vật chất, tính chất tổng hợp. Đầu vào thường bao gồm cấu trúc kết tinh thể (hình vẽ biểu đồ hay mây điểm) thành phần hóa học, hoặc tính toán từ mô phỏng sơ đồ sơ đồ đầu tiên. Mạng học để vẽ các tính năng xuất vào các tính năng như độ phân giải, độ cong, nhiệt.

Mạng thần kinh đồ thị (GNs) trở nên đặc biệt mạnh mẽ vì chúng đại diện cho sự liên kết nguyên tử và môi trường địa phương trong các tinh thể. Mạng thần tiến hóa (CNNN) cũng được dùng cho dữ liệu dựa trên ảnh từ vi mô hình vi mô hoặc hoạt động. Khả năng học các mối quan hệ phức tạp, không tuyến tính từ dữ liệu chứa hàng ngàn hoặc hàng triệu mục nhập đã mở ra những khả năng mới để dự đoán mô hình và tạo ra thiết kế tạo tính.

Những ứng dụng chính của việc học hỏi sâu về vật chất được thiết kế

1. dự đoán tài sản cao cấp

Một trong những ứng dụng thành công nhất là dự đoán nhanh về tính chất vật chất từ cấu trúc và cấu trúc. Phương pháp tính toán truyền thống như lý thuyết chức năng mật độ (DFT) chính xác nhưng tính toán đắt tiền, hạn chế việc xem xét hàng ngàn ứng cử viên. Mô hình nghiên cứu sâu có thể dự đoán các tính chất như năng lượng hình thành, hằng ngày co giãn, và cấu trúc điện tử trong phần nghìn giây. Ví dụ, vật liệu jwT: mạng lưới định tuyến (MMEGNet) được các nhà nghiên cứu tại Đại học California, Berkeley, đã chứng minh những dự đoán chính xác qua nhiều hệ thống tinh thể và phân tử khác nhau. [FL: 0] Đọc trang đầu tiên bằng giấy MEGT]. [FT]

2. Thiết kế ngược và mô hình sáng tạo

Thay vì chỉ cần xem xét các vật liệu đã có, các mô hình tạo ra sâu sắc (như bộ mã hóa biến thể (VEs) và mạng đối lập (GN) (GN) (có thể đề xuất hoàn toàn các cấu trúc tinh thể mới với các tính chất mong muốn. Những mô hình này học cách phân phối vật liệu đã biết và lấy mẫu từ không gian đó để tạo ra các ứng cử viên mới. [T] Dự án thiết kế ngược lại tiên đoán cấu trúc cấu trúc, cho phép các nhà nghiên cứu xác định các tính chất và cho phép các vật liệu có khả năng đề xuất. Cách tiếp cận này đã được dùng để khám phá các vật liệu nhiệt nhiệt nhiệt mới, chất cao, tất cả các chất lượng cao, và pin tăng cường, và các loại pin. [T] [T] Kiểm tra tìm kiếm các vật liệu tiên liệu có khả năng: [F]

3. Dự đoán đường tổng hợp

Phát hiện ra một vật liệu có tính toán chỉ là một nửa cuộc chiến, tổng hợp nó trong phòng thí nghiệm thường là cổ chai. Mô hình học sâu giờ được dùng để tiên đoán các tham số tối ưu, bao gồm nhiệt độ, áp lực và tỷ lệ tiền tố. Phương pháp xử lý ngôn ngữ tự nhiên (NP) có thể chiết xuất công thức tổng hợp từ văn học xuất bản và mô hình dựa trên đồ thị xếp hạng khả năng của phản ứng đã được đề nghị. sự kết hợp của dự đoán và sự tổng hợp của việc tổng hợp các dự đoán và tăng cường hiệu quả thí nghiệm của các vật liệu mới.

4. Tăng cường năng lượng phân tử và mô phỏng hóa học lượng tử

Mạng thần kinh sâu có thể đóng vai trò như mô hình thay thế gần giống với mô phỏng đắt tiền. Ví dụ, mô hình tiềm năng sâu học được bề mặt năng lượng tiềm tàng từ dữ liệu cơ học lượng tử, cho phép mô phỏng động lực phân tử cho hàng triệu nguyên tử - xa hơn tầm với của DFT. Những mô hình thay thế này giữ được độ chính xác cao trong khi giảm chi phí máy tính theo thứ tự độ lớn. Chúng đặc biệt hữu ích cho việc nghiên cứu các thiết bị cơ học biến dạng, chuyển động dạng dạng dạng dạng dạng dạng, và chuyển đổi các giai đoạn trong vật liệu phức tạp.

Lợi ích của việc học hỏi sâu sắc

  • Đã ghi chú: dự đoán và kiểm tra các ứng cử viên mà một khi mất nhiều tuần hoặc nhiều tháng có thể hoàn tất trong vòng vài giờ, thậm chí vài phút.
  • Chương trình Trích dẫn: ) Bằng cách thu hẹp trọng tâm cho các ứng cử viên hứa hẹn nhất, học sâu sẽ cắt giảm đáng kể số thí nghiệm vật lý và tài nguyên tính toán cần thiết.
  • Khả năng khám phá không gian phức tạp: ) thành phần và cấu trúc cao thì quá rộng lớn để khám phá bằng trực giác con người.
  • Sự chính xác được bảo vệ:) với các bộ dữ liệu có giả định vững chắc, mô hình học sâu thường khớp hoặc vượt quá sự chính xác của tiềm năng cổ điển hoặc thậm chí DFT cho một số tính chất nào đó, trong khi lại nhanh hơn nhiều.
  • Việc ứng dụng thử nghiệm: cho phép mô hình hướng dẫn thí nghiệm trong thời gian thực, đạp xe giữa tiên đoán, tổng hợp, và tăng dữ liệu.

Những thử thách và vấn đề cởi mở

Bất kể lời hứa, việc học hỏi kỹ về vật liệu khoa học phải đối mặt với nhiều trở ngại cần phải được đề cập đến để nhận nuôi phổ biến.

Chất lượng dữ liệu và số lượng

Những dữ liệu có giá trị cao, được đánh dấu là thiết yếu để đào tạo mô hình mạnh mẽ. phần lớn dữ liệu có thể được lấy từ các phép tính DFT, chứa các ước tính vốn có. dữ liệu thí nghiệm thường bị mơ hồ, ồn ào, và thu thập trong điều kiện không ổn định. tạo cơ sở dữ liệu lớn, tiêu chuẩn hóa kết hợp các máy tính và thông tin thực nghiệm vẫn là ưu tiên hàng đầu.

Khả năng giải mã mô hình

Những mô hình học tập sâu thường là " Hộp đen", khiến các nhà khoa học khó hiểu tại sao một dự đoán cụ thể được đưa ra. sự thiếu khả năng giải thích có thể làm giảm lòng tin, đặc biệt khi đề nghị những vật liệu phản trực quan hoặc những tuyến tổng hợp. kỹ thuật tìm ra cách giải thích được (XAI) như cơ chế chú ý và tính năng tự xác định, đang được thích nghi với các vấn đề vật liệu để cung cấp sự hiểu biết về các tính năng dẫn đến các tính năng nguyên tử.

Chung số và không chắc chắn

Những mô hình được đào tạo trên một lớp vật liệu thường không thể tổng quát hóa thành các nhà hóa học hay cấu trúc mới lạ. Hơn nữa, các mô hình nghiên cứu sâu thường cung cấp dự đoán điểm mà không có sự chắc chắn đáng tin cậy. mà không có tính toán toán toán kỹ lưỡng, các nhà nghiên cứu không thể phân biệt giữa những dự đoán có độ tự tin cao và suy đoán. mạng thần kinh Bayesian và các phương pháp đáng kể đang được khám phá để giải quyết vấn đề này.

Tính phí tổn của việc huấn luyện

Đào tạo một đồ thị lớn hoặc mô hình biến đổi trên hàng triệu vật liệu cần có các nguồn tài nguyên tính toán quan trọng - của quá nhiều những gì một phòng thí nghiệm học thuật duy nhất có thể chi trả. tính toán đám mây và phần cứng chuyên biệt (GPUs, TPUs) đang giảm thiểu điều này, nhưng khả năng tiếp cận vẫn còn là một vấn đề. Hợp tác với các mô hình quy mô lớn và đã được đào tạo đặc biệt cho các vật liệu đang nổi lên như một giải pháp.

Hướng đi tương lai và nhìn xa

Cánh đồng đang tiến hóa nhanh chóng hướng tới tích hợp hơn, các dòng công việc tự động kết hợp việc học với các thí nghiệm tự động.

  • Các phòng thí nghiệm lái xe: hệ thống robot dùng máy học để thiết kế, thực hiện và lặp đi lặp lại các thí nghiệm mà không cần sự can thiệp của con người.
  • Tính trung thực và việc truyền tải học tập: kết hợp các dữ liệu gần như rẻ, với dữ liệu chính xác, đắt tiền (số lượng lớn) để cải tiến hiệu suất mô hình trên nhiều hệ thống vật liệu.
  • Mô hình thống kê với các hạn chế: phát triển mô hình phát triển không chỉ đề xuất các cấu trúc mới mà còn trong việc kết hợp các hạn chế vật lý (v. d., nhiệt động lực ổn định, tổng hợp) trực tiếp vào tiến trình.
  • Sự kết hợp của lý thuyết và dữ liệu: phương pháp nhập vào các định luật vật lý (như luật bảo tồn hay giao thức đối xứng) thành các cấu trúc mạng thần kinh để cải thiện sự tổng quát hóa và hiệu quả dữ liệu.
  • Mở khoa học và dấu chấm:), cộng đồng đang ngày càng chấp nhận các dấu điểm tương đối và các mô hình mã nguồn mở, tăng tốc độ xác thực và khuyến khích lòng tin. Những nhà thiết kế như Matbech và OpenCatalyst đóng vai trò như là các tấm thử nghiệm chuẩn cho mô hình.

Kết luận

Việc học tập sâu không chỉ là một công cụ giúp tăng tốc năng lực phát hiện vật liệu nó cơ bản thay đổi cách các nhà nghiên cứu suy nghĩ và khám phá về hóa học và cấu trúc. bằng cách dự đoán tính chất hóa học, tạo ra vật liệu mới, sự tổng hợp và tăng tốc, việc học tập đã chứng minh sức mạnh của nó để giảm thời gian từ dự đoán toán học sang thực tế. nhưng lĩnh vực này vẫn còn trẻ. khi dữ liệu được phát triển, mô hình trở nên dễ hiểu hơn, và sự tích hợp với các thí nghiệm trở thành tích hợp với các thiết kế sâu sắc hơn sẽ chỉ sâu sắc hơn.

Để xem xét toàn diện tình trạng của nghệ thuật, xem "Machine học để khám phá vật liệu và thiết kế" trong Nature Reviews vật liệu.