目錄
- 無監督機器學習工具加速真正新材料的發現
- 識別新材料的高通量方法
- 透過結合深度學習和約束推理來自動化晶體結構相對映
- 人工智慧方法加速熱電材料的發現
無監督機器學習工具加速真正新材料的發現
利物浦大學的研究人員建立了一種協作人工智慧工具，可以減少發現「真正新材料」所需的時間和精力。
據報導，這種新工具已經發現了四種新材料，包括一系列可傳導鋰的新固態材料。這種固體電解質可以應用於固態電池開發，為電動汽車提供更長的續航能力。
發現新的功能材料是一個高風險、複雜且非常耗時的旅程；透過組合元素週期表中的元素，可以組合無限可能的材料空間，並且不知道那些新材料是可用的。該工具將人工智慧與人類知識結合起來，優先考慮那些最有可能發現新功能材料的未探索化學空間部分。
該研究以「Element selection for crystalline inorganic solid discovery guided by unsupervised machine learning of experimentally explored chemistry」為題，於2021 年 9 月 21 日釋出在《Nature Communications》。
論文連結：https://www.nature.com/articles/s41467-021-25343-7
相關報導：https://phys.org/news/2021-09-ai-tool-discovery-materials.html
選擇要組合的元素，限定了合成化學的可能結果；限定組成和結構的範圍，從而限定了可能出現的性質。例如，在固態下，相場的元素成分將決定尋找新結晶材料的可能性。研究人員根據他們對化學結構和鍵合的理解做出這些選擇。關於產生合成可分離材料的那些元素組合有大量資料可用，但很難吸收這些資訊的規模來指導從潛在的新化學物質的多樣性中進行選擇。
在這裡，該團隊的無監督機器學習捕獲了，提供報告的結晶無機材料的元素組合之間複雜的相似模式。該模型指導包含兩個陰離子的四元相場的優先順序排序，以在協同工作流程中識別鋰固體電解質，從而發現 Li3.3SnS3.3Cl0.7。這種缺陷填充的纖鋅礦中的間隙位點佔據組合使六邊形密堆積中的低勢壘離子傳輸途徑成為可能。
相場排序法的結果：從元素的選擇到組成。
社會解決能源和可持續性等全球挑戰的能力，受到科學家設計和製造具有目標功能的材料的能力的限制，例如更好的太陽能吸收器可以製造更好的太陽能電池板，優質電池材料製造更遠距離的電動汽車，以及透過使用毒性較小材料或稀有元素來替代現有材料。
這些新材料透過推動新技術應對全球挑戰來創造社會效益，同時它們也揭示了新的科學現象和認識。所有現代行動式電子產品都由 1980 年代開發的鋰離子電池中的材料支援，這證明了一種材料類別如何改變我們的生活方式：定義新材料的加速路線，將為我們的未來開啟目前無法想象的技術可能性。
識別新材料的高通量方法
加州理工學院和谷歌的研究人員將計算機自動化與最初用於列印 T 恤的噴墨印表機相結合，開發出一種高通量方法來識別具有有趣特性的新型材料。
在該過程的測試中，他們篩選了數十萬種可能的新材料，並發現了一種由鈷、鉭和錫製成的材料，其透明度可調，可作為化學反應的良好催化劑，同時在強酸性電解質中保持穩定。
該研究以「Discovery of complex oxides via automated experiments and data science」為題，於 2021 年 9 月 14 日釋出在《Proceedings of the National Academy of Sciences》。
論文連結：https://www.pnas.org/content/118/37/e2106042118
相關報導：https://phys.org/news/2021-09-high-throughput-method-materials.html
自動化正在加速可應用材料的發現，但即使是針對所需屬性測試數十億種可能材料中的一小部分，也超出了涉及資源密集型屬性測量的工作流程的範圍。由於成分、結構和特性之間的關係，識別並獲得具有一個有趣特性的複雜材料猶如大海撈針。透過採用物理感知資料科學來識別材料，以進行進一步研究，從而加速材料合成和光學表徵。使用這種方法，人們不需要高通量方法來測量每種感興趣的材料特性，因為單個超高通量工作流程可以指導其他特性的材料選擇，這是加速材料發現的新範例。
尋找具有定製特性的材料的探索正越來越多地擴充套件到高階組合空間，候選材料的數量相應地組合爆炸。一個關鍵的挑戰是在組合空間中發現材料具有新特性的區域。傳統的材料特性預測模型不夠準確，無法指導搜尋。
在這裡，研究人員使用光學特性的高通量測量來識別三陽離子金屬氧化物組成空間中的新區域，透過識別其光學趨勢不能用簡單的相混合物來解釋的組合物。根據陽離子元素 Mg、Fe、Co、Ni、Cu、Y、In、Sn、Ce 和 Ta，從 108 種三陽離子氧化物系統中篩選出 376,752 種不同的成分。具有新興光學特性的候選相圖和三陽離子組合物的資料模型指導發現具有複雜的相依賴特性的材料，如發現具有可調透明度、催化活性和在強酸性電解質中穩定。這些結果需要將資料驗證與實驗設計緊密結合，以生成可靠的端到端高通量工作流程，從而加速科學發現。
透過結合深度學習和約束推理來自動化晶體結構相對映
晶體結構相對映是材料科學中一項長期存在的核心挑戰，需要在合成材料的 X 射線衍射測量中識別晶相或其混合物。已經開發出的相對映演算法擅長解決具有多達幾個獨特相混合物的系統，其中每個相都有一個易於區分的衍射圖案。
然而，相對映通常超出了材料科學家的能力，並且由於複雜性，例如存在數十種相混合物、衍射圖案中合金相關的變化和多種組成程度，也對最先進的演算法提出了挑戰。自由，造成高通量材料發現的主要瓶頸。
在這裡，加州理工學院和康奈爾大學的研究人員展示瞭如何自動化晶體結構相對映。他們將相位對映制定為一個無監督的模式分離問題，並描述如何使用深度推理網路（DRNets）解決它。DRNets 將深度學習與約束推理相結合，整合先前的科學知識，因此使用只需要適量的資料。
DRNets 透過利用和放大有關控制晶體混合物的熱力學規則的豐富先驗知識，來補償有限的資料。DRNets 設計有可解釋的潛在空間，可用於編碼先驗知識域約束，並將約束推理無縫整合到神經網路最佳化中。DRNets 超越了以前的晶體結構相對映方法，揭示了 Bi-Cu-V 氧化物相圖，並幫助發現了太陽能燃料材料。
該研究以「Automating crystal-structure phase mapping by combining deep learning with constraint reasoning」為題，於 2021 年 9 月 16 日釋出在《Nature Machine Intelligence》。
論文連結：https://www.nature.com/articles/s42256-021-00384-1
科學過程的一箇中心原則是在豐富的科學知識體系中解釋資料。然而，將複雜的先驗知識有效地整合到機器學習方法中一直是人工智慧領域的一個公開挑戰。DRNets 提供了一個通用的模組化框架，用於合併可以定製的先驗知識，以有效地處理無監督模式分離任務。在這裡，研究人員深入描述了 DRNet 在科學應用、晶體結構相對映中的應用，這是材料科學中長期存在的基本挑戰。還說明了 DRNets 在數獨分離任務中的應用，這得益於用於演算法比較和消融研究的基準資料的可用性。在 DRNets 框架中，可解釋的結構化潛在空間對於合併背景知識至關重要。
DRNets框架和不同任務的潛在空間語義。
更一般地說，將基於神經網路的學習與符號知識表示和邏輯推理相結合的研究，是人工智慧/機器學習研究的下一個重要前沿。DRNets 框架代表了朝這個方向邁出的一步，它提供了一個模組化的端到端框架，可以針對需要學習和推理相結合的一系列任務進行定製，這些任務在各種應用領域都很普遍。
人工智慧方法加速熱電材料的發現
在任何形式的能源轉換中——即使是像太陽能電池板這樣的綠色能源——都會產生額外的熱量。其中高達 72% 的熱量未被使用，因此從這些廢物中獲取電力的潛力也很大。阿爾伯塔大學的一名研究人員Alexander Gzyl 已成功開發出一種方法，來找出該過程背後的化學反應。
這一發現最終可能有助於加快熱電材料的開發——這些產品如果連線到太陽能電池板系統之類的東西上，就可以回收廢熱，然後可以用來產生電流。使用他開發的兩個機器學習模型，已經能夠縮小可用於製造這些材料的一組合金的化學成分。
熱電材料可用於利用手機或計算機伺服器等個人電子裝置的能量，回收燃燒產生的熱量，利用體熱為心臟起搏器等裝置供電，並提高地熱和太陽能等替代能源的效率。
相關報導：https://techxplore.com/news/2021-09-ai-based-method-discovery-materials-harvest.html
Gzyl 使用的材料稱為半赫斯勒合金，它具有較好的穩定性、機械強度和轉換效率。但由於其特定的化學成分，獲取並應用它依舊是重大的挑戰。
「它們是由某些化學元素以 1:1:1 的比例以特定方式排列的結晶材料，但該比例的化學元素有超過 100,000 種可能的組合，所有組合中只有一小部分會產生所需的半赫斯勒排列。」Gzyl 需要確定正確的晶體結構，才能計算出決定給定熱電材料理論效率的屬性。
透過開發兩種計算機演算法，他能夠篩選出超過 300,000 種模擬可能性，並將該領域縮小到僅 103 個候選者。他說，這導致了一份新的半赫斯勒化合物的清單，以及一種「在幾秒鐘內」確定它們正確排列的方法。該知識可用於計算特定化合物的熱電特性，以確定它們是否是原型裝置的良好候選者，從而節省大量時間和資源。