近年來，人工智能機(jī)器學(xué)習(xí)在材料科學(xué)研究中得到了廣泛的應(yīng)用。通過構(gòu)建的材料數(shù)據(jù)庫等大數(shù)據(jù)系統(tǒng)進(jìn)行機(jī)器學(xué)習(xí)模型訓(xùn)練，許多還沒有實驗和理論數(shù)據(jù)的化合物性質(zhì)可以被預(yù)測出來，這將大大加速新材料發(fā)現(xiàn)及相關(guān)研究。

?

機(jī)器學(xué)習(xí)在材料科學(xué)中的應(yīng)用之一是建立結(jié)構(gòu)與性能之間的關(guān)系，它試圖在材料指紋(包括組成元素的特征、原子結(jié)構(gòu)信息以及這些特征的任何組合)和我們感興趣的目標(biāo)屬性之間建立預(yù)測關(guān)系。過去的工作中，機(jī)器學(xué)習(xí)方案的預(yù)測能力在材料的帶隙、彈性模量、相穩(wěn)定性、離子電導(dǎo)率、導(dǎo)熱系數(shù)、熔融溫度、玻璃化轉(zhuǎn)變起始溫度等性質(zhì)有著很好的表現(xiàn)。

?

北京大學(xué)深圳研究生院新材料學(xué)院潘鋒團(tuán)隊近年承擔(dān)了國家材料基因組工程研發(fā)固態(tài)電池及關(guān)鍵材料的項目，構(gòu)建有60多萬獨立晶體結(jié)構(gòu)的大數(shù)據(jù)系統(tǒng)（www.pkusam.com）并且嘗試應(yīng)用人工智能機(jī)器學(xué)習(xí)的方法來加速新型材料的發(fā)現(xiàn)。

?

在以往的研究中，機(jī)器學(xué)習(xí)方案的成功是基于數(shù)據(jù)庫中數(shù)據(jù)的共同趨勢，通過這樣的共同趨勢訓(xùn)練，開發(fā)的模型可以應(yīng)用于預(yù)測大多數(shù)化合物的結(jié)構(gòu)與性能的關(guān)系。這對通常的化合物是有效的、準(zhǔn)確的，因為在材料數(shù)據(jù)庫的大多數(shù)情況下，通?；衔锞哂幸?guī)則的結(jié)構(gòu)單元。然而，例外總是存在的(即使有95%的預(yù)測精度，總還有5%的例外)。

?

潘鋒團(tuán)隊通過對大量數(shù)據(jù)不斷改良機(jī)器學(xué)習(xí)不僅能夠?qū)崿F(xiàn)高精度預(yù)測材料的結(jié)構(gòu)和性能相關(guān)性（相當(dāng)于發(fā)現(xiàn)材料的“遺傳”性質(zhì)），同時首次原創(chuàng)性著眼于這些不在預(yù)測范圍的“例外”，并且通過分析這些“例外”（相當(dāng)于發(fā)現(xiàn)材料的“變異或突變”性質(zhì)），即分析遠(yuǎn)離總體趨勢的異常結(jié)果，從中獲得新的洞見，發(fā)現(xiàn)了新型的結(jié)構(gòu)基元（具有正3價的銀離子基團(tuán)），這對基礎(chǔ)物理化學(xué)有了一些新的認(rèn)識，并在科學(xué)上開辟了新的領(lǐng)域。

?

該成果“Discovering unusual structures from exception using big data and machine learning techniques”以論文形式，應(yīng)邀在著名學(xué)術(shù)期刊Science Bulletin，（64 (2019) 612–616）上以封面文章發(fā)表。

?

在該工作中，團(tuán)隊通過自主建立了一個包括HSE計算數(shù)據(jù)的材料結(jié)構(gòu)數(shù)據(jù)庫，并基于此通過機(jī)器學(xué)習(xí)的方法對材料結(jié)構(gòu)的帶隙進(jìn)行學(xué)習(xí)，并展示了機(jī)器學(xué)習(xí)是如何被用來作為一種工具來挑選這些不尋常的案例，以及如何用傳統(tǒng)的分析方法來研究這些不尋常的案例，從而拓寬已有的科學(xué)知識。

?

在該工作中，團(tuán)隊只使用了相對較小的數(shù)據(jù)集進(jìn)行訓(xùn)練，并且ML模型的總體性能與已有的工作相當(dāng)，模型R²約為0.89。通過觀察帶隙預(yù)測模型的結(jié)果，團(tuán)隊從數(shù)據(jù)庫約4000種化合物中確定了34種不同尋常的“例外”化合物，在具體的分析之后，其中許多化合物具有不尋常的結(jié)構(gòu)或其它異常，如特殊的配位環(huán)境或氧化態(tài)，帶隙相對于同族其它化合物的突然增加，或是同族不同化合物之間的不同相結(jié)構(gòu)。

?

機(jī)器學(xué)習(xí)預(yù)測帶隙的結(jié)果

?

在這些具有較大預(yù)測誤差的化合物中，團(tuán)隊發(fā)現(xiàn)了具有Ag³⁺和O₂^2-特殊結(jié)構(gòu)的AgO₂F。隨后，通過與KAgO₂（“正?！苯Y(jié)構(gòu)）的電子結(jié)構(gòu)對比，他們發(fā)現(xiàn)AgO₂F中不尋常的氧化態(tài)（O₂^2-）使得O與Ag之間軌道雜化很小，帶隙附近的能級主要由O原子的2p軌道貢獻(xiàn)，帶隙遠(yuǎn)小于其它含有Ag³⁺的化合物。這一實例證明了可以通過檢查機(jī)器學(xué)習(xí)模型中的異常，從大型數(shù)據(jù)庫中快速發(fā)現(xiàn)異常結(jié)構(gòu)。

?

AgO₂F（“異?！苯Y(jié)構(gòu)）與KAgO₂（“正?！苯Y(jié)構(gòu)）的電子結(jié)構(gòu)比較。AgO₂F由于具有不尋常的氧化態(tài)（O₂^2-）從而具有異常的表現(xiàn)

該工作由新材料學(xué)院潘鋒教授和伯克利汪林望教授指導(dǎo)，16級研究生揭鑒澍與團(tuán)隊合作完成。本工作得到國家材料基因工程重點研發(fā)計劃和廣東省重點實驗室的資金支持。

?

Jie J, Hu Z, Qian G, et al. Discovering unusual structures from exception using big data and machine learning techniques[J]. Science Bulletin, 2019.