机器学习方法预测材料性能的新进展

注：文末有本文作者科研思路分析

近二十年来，机器学习方法的发展为我们的生活带来了许多便利。智能网络搜索、语音识别，乃至无人超市、无人驾驶汽车等，依托于机器学习方法的新事物正迅速地在我们的生活中普及。Alpha Go的横空出世更是让世界惊叹于人工智能的潜在价值。在科研领域，大数据的理念正在改变着科研人员对未知世界的探索模式。美国在2011年提出了材料基因组计划（Materials Genome Initiative），以期加快材料的研发进程。在我国怀柔科学城的发展规划中，重点平台项目“材料基因组研究平台”现已全面开工，高通量实验+高性能计算+深度数据分析的研究模式已经成为时代发展的趋势。

在非晶合金研究领域，如何设计并开发具有良好玻璃形成能力的合金，一直是一个具有重要产业价值的基础科学问题。过去，受到经验性判据的准确性和通用性的限制，新型高性能非晶合金材料的研发进程非常缓慢。如何提高材料设计的效率，寻找具有更优性能的材料，是一个非常具有挑战性的问题。

最近，中国科学院物理研究所/北京凝聚态物理国家实验室（筹）汪卫华研究组（EX4组）博士研究生孙奕韬在汪卫华研究员、白海洋研究员的指导下，与人民大学物理系李茂枝教授合作，采用机器学习的方法，对影响二元合金玻璃形成能力的诸多因素进行了系统的研究，建立了合金成分与性能之间的关联，并对可能的新材料进行了预测。研究过程中使用到了支持向量机（Support Vector Machine）这种方法（图1），通过构建多维空间，并在这个多维空间内对数据进行分割，从而建立输入参量与输出参量之间的关联。

图1. 支持向量机方法的基本过程，包括四个主要部分：数据库的建立，模型的训练，模型的评估，以及最优模型的预测。

在该研究方法下，通过不断选择新的参数对模型进行重复训练，探讨了合金的不同性质对其玻璃形成能力的影响（图2）。研究发现，参量ΔT_liq（表征合金过冷能力）与合金的玻璃形成能力有最为显著的关联，而且在使用参量ΔT_liq与T_fic（表征合金热稳定性）作为输入参数时，可以得到具有最佳预测效率的模型。通过对最佳模型的分析，可以看到已发现的具有良好玻璃形成能力的二元合金，其分布与模型的预测值具有很好的一致性（图3）。使用这个模型，可以对未知的合金成分进行预测，这样由深度数据分析指导设计的实验，能够极大地缩短新材料的研发周期（图4）。

图2. 不同的输入参数得到的模型的预测结果。

图3. 最优模型的预测结果。已发现的优秀材料与模型预测（红色区域）有很好的一致性。

图4. 最优模型预测得到最佳玻璃形成能力的合金体系的成分云图。

该结果表明，机器学习的方法在材料设计与研发领域具有重要的应用前景。在更全面、完善的数据库，更深入的人工智能算法支撑下，机器学习方法能够为科研人员提供更准确的信息，加速材料的研发过程。

该工作作为使用新的工具对经典问题进行分析的一种尝试，得到了初步成果。这项研究结果最近发表在J. Phys. Chem. Lett. 上。上述研究工作得到国家自然科学基金项目（51571209，51631003，51461165101）、973项目（2015CB856800）和中科院前沿科学关键研究项目（QYZDY-SSW-JSC017）的支持。

该论文作者为：Y. T. Sun, H. Y. Bai, M. Z. Li, W. H. Wang

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Machine Learning Approach for Prediction and Understanding of Glass-Forming Ability

J. Phys. Chem. Lett., 2017, 8, 3434, DOI: 10.1021/acs.jpclett.7b01046

科研思路分析

Q：这项研究的最初目的是什么？或者说想法是怎么产生的？

A：如上所述，我们的研究重点主要是非晶合金材料。非晶合金作为一种新兴的具有重要功能特性的材料，它仍有许多重要的问题亟待解决，玻璃形成能力就是其中之一。影响合金玻璃形成能力的因素很多，已有的理论模型只能从某个方面对其进行分析和探讨，具有很大的局限性。是否能够综合考虑各方面因素，是理论模型的一个巨大挑战。在大数据的时代背景下，机器学习这种先进的数据分析方法能够综合分析各种影响合金玻璃形成能力的实验和理论数据，建立较全面的理论模型，为解决非晶合金材料领域的关键瓶颈问题提供了新的途径和契机。幸运的是，过往几十年的实验研究让我们有足够的数据累积，而机器学习方法的不断突破，也为我们的研究提供了必不可少的条件。在这样的背景下，我们通过不断尝试，得到了上述结果。

Q：在研究中过程中遇到的最大挑战在哪里？

A：作为一项主要内容为数据处理的工作，我们在对其的研究过程中，主要面临两个方面的挑战：一是数据库的建立。我们虽然有着长期的实验累积，但是要把我们能够收集到的原始数据转化为可以进行机器学习的数据库，需要很大的工作量。而且往往文献中报道的数据只选取了部分实验数据，而对于机器学习方法，完整的实验数据能够更有效地训练模型；二是机器学习的算法。由于此项研究属于交叉学科的研究，我们团队主要来源于物理和材料专业，缺少在机器学习领域的专业背景知识，这对我们研究的进展造成了很大的困难。未来希望能够与相关领域的学者将这项工作进一步深入，得到更有意义的结果。

Q：本项研究成果最有可能的重要应用有哪些？哪些领域的企业或研究机构最有可能从本项成果中获得帮助？

A：这项研究最重要的意义在于展示了机器学习在非晶合金材料领域的重要应用前景。目前金属玻璃的市场规模不断扩大，这让领域内一些尚未解决的科学问题愈发关键。机器学习提供了解决问题的一个新思路，在大数据的时代背景下，不仅仅是玻璃形成能力，非晶合金材料的力学性能、磁性能、弛豫特征等关键科学问题都有可能在新的研究范式下产生重大突破。