导言:材料发现的新时代

深层学习是人工智能的一个子集,它正在重塑材料科学和工程的景观。 通过利用处理庞大而复杂的数据集的神经网络,研究人员现在可以以前所未有的速度和准确性加快先进材料的设计和发现。 从预测合金的机械特性到设计清洁能源的新催化剂,深度学习正在将传统上缓慢的,试验和过敏的过程转变为数据驱动的,预测性的工作流程。 本文探讨了如何将深层学习应用于高级材料设计,它带来的关键好处,以及随着现场的成熟而依然存在的挑战。

材料科学深层学习基础

深层学习的核心是利用多层次的人工神经网络从数据中学习规律。在材料科学中,这些模型都接受了材料结构、性质和合成条件的大型数据库的培训。输入内容往往包括晶体结构(以图或点云为代表)、化学成分或从第一原理模拟中计算出来的特征。网络学习将这些输入图映射到诸如波段差距、弹性模度或热导性等目标特性。

图形神经网络(GNNs)已经变得特别强大,因为它们自然地代表了晶体中的原子结合和局部环境. 革命神经网络(CNNs)也被用于从显微镜或衍射学中获取的图像数据. 从包含上千或上百万个条目的数据集学习复杂,非线性关系的能力为预测模型和基因设计开辟了新的可能性.

材料设计深层学习的关键应用

1. 高压财产预测

最成功的应用之一是从成分和结构中快速预测物质属性. 密度功能理论(DFT)等传统计算方法准确但计算成本昂贵,将筛选范围限制在数千名候选人. 深层学习模型可以预测形成能量,弹性常数,以及毫秒电子波段结构等属性. 例如,加州大学伯克利分校研究人员开发的材料图形神经网络(MEGNet),在各种晶体和分子系统中都证明了准确的预测. 在这里阅读了最初的MEGNet论文.

2. 反向设计和基因模型

反向设计工作流程将财产预测与结构生成相结合,使研究人员能够具体确定目标属性,让模型提出可行的材料,这种方法被用于发现新的热电材料、高强度合金和锂离子电池电离层。关于材料反向设计的划时代研究显示这些方法的潜力。

3. 预测综合路线

计算发现一种材料只是战斗的一半;在实验室中合成它往往是瓶颈。 深层学习模型现在被用来预测最佳合成参数,包括温度,压力和前体比率。 自然语言处理(NLP)技术可以从出版的文献中提取合成食谱,以图表为基础的模型将拟议反应的可行性排在首位。 这种预测和合成的结合加快了新材料的实验验证。

4. 加速分子动力学和量子化学模拟

深神经网络可以充当近似于昂贵模拟的代位模型,例如,深潜在模型从量子机械数据中学习潜在的能量表面,使数百万原子的分子动力学模拟——远远超出DFT的承受能力,这些代位模型在按照数量级降低计算成本的同时保持了很高的精度,对于研究复杂材料的机械变形、离子迁移和相位过渡特别有用。

深入学习融合的好处

  • 预测: 财产预测和候选人筛选,一次花上几周或几个月的时间,可以在数小时甚至数分钟内完成.
  • 成本削减: 通过将重点缩小到最有前途的候选人,深入学习大幅度削减了所需的物理实验和计算资源的数量.
  • 探索复杂空间:高维构成和结构空间太广,人类直觉无法详尽探索。深层学习能有效导航这些空间,发现出乎意料的材料。
  • 改进的精确度: 有了精密的数据集,深层学习模型往往匹配或超过某些属性的古典潜力甚至DFT的精度,同时速度要快得多.
  • 与实验结合:[ 主动学习框架允许模型实时指导实验,在预测,合成,和数据增强之间循环.

挑战和开放问题

尽管它有希望,但材料科学的深入学习面临若干障碍,必须加以克服,以便广泛采用。

数据质量和数量

高质量的、贴标签的数据集对培训强健模型至关重要。 大部分可用数据来自DFT计算,其中包含内在近似值。实验数据往往稀少、吵闹,收集条件不一致。 创建大型标准化数据库,将计算和实验信息结合起来,仍然是当务之急。 材料项目和NOMAD等举措已经取得了显著进展,但许多材料类的覆盖面仍然有限。

模型可解释性

深层学习模型常常是"黑盒",使得科学家难以理解为什么做出特定的预测。 这种缺乏可解释性会降低信任,特别是在提出反直觉材料或合成路线时。 解释性AI(XAI)中新兴技术,如注意力机制和特征归属,正在被调整用于材料问题,以提供对原子特征驱动预测的洞察力。

概论和不确定性

在一个类别材料上训练的模型往往无法概括到新化学或结构上。 此外,深层学习模型通常提供点预测而不提供可靠的不确定性估计。 没有不确定性量化,研究人员无法区分高自信和投机预测。 正在探索巴耶斯神经网络和综艺方法来弥补这一缺陷。

培训费用计算

将大图或变压器模型用于数百万材料需要大量的计算资源,这往往超出了单一学术实验室所能承受的。 云计算和专门硬件(GPU、TPU)正在缓解这种情况,但无障碍性仍然是一个问题。 合作性的大规模努力和专门为材料而训练的预先基础模型正在成为一种解决方案。

未来方向和展望

该领域正在迅速发展,走向更加综合、自动化的工作流程,将深入学习与自主实验结合起来。

结论

深度学习不仅仅是加速材料发现的工具 — — 它从根本上改变了研究人员思考和探索化学和结构空间的方式。 通过预测特性、生成新材料、指导合成和加速模拟,深度学习已经显示出其将时间从计算预测缩短到现实世界部署的能力。 然而,实地还很年轻。 随着数据集的不断增长,模型变得更加易解释,与实验的融合也变得无缝,深度学习对先进材料设计的影响只会加深。 最终的希望是,能源、电子、医学和可持续性的新材料不是通过模拟而是由深层神经网络的智能应用所驱动的。

关于该最新技术的综合回顾,见"Machine学习用于材料发现和设计",载于"自然评论材料".