人工智能将要重塑材料科学

人工智能的火热引发了全球关注，其中不乏期待与担忧。最近，一篇刊登在Nature封面的文章指出，人工智能可能会给材料科学带来革命性的改变。

科研人员认为，通过计算机建模和机器学习技术，我们能够根据所需的性能快速预测相应的候选材料。这意味着，科学家不再需要像过去那样盲目尝试制作新材料，而是可以根据计算机的计算结果来制作并测试候选材料，从而大大提高新材料的研发速度和效率。

人工智能在材料科学研究方法上的变革并非易事。目前，这项技术仍面临许多问题。受限于材料数据、材料性能控制因素以及计算能力，目前仅对少部分材料有效。计算机预测的材料不一定能在实验室成功合成乃至规模量产，这一过程可能需要很长时间。

Nicola Marzari是洛桑联邦理工学院的物理学家，他展示了一个实时计算硅的电子结构的手机应用，仅40秒就能完成超级计算机数小时的量子力学计算。此举展示了理论计算在过去数十年的飞跃，同时也揭示了未来改变材料科学的巨大潜力。

目前，材料科研通常依赖于偶然发现新材料，然后在实验室中精心测量其性能。Marzari和他的同事们正在使用计算机建模和机器学习技术生成数以万计的候选材料库。即使失败的实验数据也能提供有价值的参考。工程师们可以通过搜索预期性能来筛选出值得合成和测试的材料，例如限定材料的导电性、绝缘性、磁性、耐高温、抗高压等性能。

行业先锋、加州大学伯克利分校的材料科学家Gerbrand Ceder认为，这将是对发现材料的速度和效率的极大飞跃。他指出，我们对现有材料的性能了解很少，以磷酸铁锂为例，该材料在20世纪30年代就已合成，但直到1996年才被发现有潜力成为现有锂离子电池的替代材料。

世界上至少有三大材料数据库，保存着数万或数十万的材料数据。Marzari的材料云项目在今年下半年启动，引起了广泛关注。伦敦帝国学院的副院长、材料科学家Neil Alford评价道：“我们正在见证一个从理论向实验转变的汇聚过程。”

支持者指出，从计算机预测到现实世界技术的过程并不容易。现有的材料数据库并不完整，对于某些材料可能有用，但对其他材料则不适用。即使计算机标出了一种可能材料，实验室也需要数年时间才能制造出来。Ceder认为，“相比于我们能做什么，我们更了解我们想要什么。”

尽管如此，研究者们仍然坚信这是一个有待发掘的宝藏，并有望在电子、能源、机器人、医疗和交通等领域带来创新。芝加哥的材料计算科学家Giulia Galli表示：“我们正在将谜题的不同部分拼凑在一起，当所有部分正确匹配时，材料的预测将成为可能。”

研究者们通过精密计算，首先探索了具有相同晶体结构的二元合金。在此基础上，他们设计了一种新颖的学习机制算法。这一算法的力量在于，它能够从二元合金中调取模板，快速计算出新材料的最可能基础状态。这一创新大大缩短了计算时间，展现了算法的卓越效能。

Stefano Curtarolo详细解释了他们的新方法，那就是建立一个公共数据库来深入探究材料性质。他提到，他们的目标在于填补数据库的空白区域。离开Ceder课题组后，他在Duke大学建立了自己的实验室，这一想法直接催生了两个独立计划的诞生。

在MIT，Ceder成立了材料基因组计划。他们运用优化后的算法，预测锂基材料在电动车电池上的应用性能。到2010年，这个计划已经成功预测了2万种化合物的性能。“我们调整现有材料的晶体结构，微调其成分，然后计算可能出现的现象”，曾在Ceder课题组工作的Kristin Persson解释道。

与此在Duke大学的Curtarolo则建立了材料基因组中心，专注于研究合金。他与Brigham Young大学及Israel's Negev Nuclear Research Center合作，成功引入了AFLOW系统。这一系统能够自动根据已有的晶体结构技术生成新的结构。

化学家Jens Nørskov也对这种方法产生了浓厚兴趣，他用这种方法研究了水分解的催化剂，并扩大了研究，成为了SUNCAT Center的原型。同样对这项技术充满热情的Marzari曾是Quantum Espresso计划的一员，该计划致力于量子力学计算。

直到白宫宣布材料基因组计划（MGI）之前，计算材料学并未成为主流。美国国家标准与技术局的材专家James Warren说，“当白宫的人逐渐了解Ceder的工作后，他们对这一领域的前景变得兴奋起来。”人们开始认识到电脑模拟对创新和制造业的巨大潜力。

从2011年开始，这项计划投资超过2.5亿美元，用于软件工具、标准化技术、建立计算材料学中心以及特定应用的大学与企业合作。目前尚不清楚这些巨额投资对这门学科的推动作用有多大。尽管如此，MGI确实帮助Ceder和其他人实现了建立在线材料性能数据库的愿景。

在年末，Ceder和Persson重启了材料基因组计划并将其作为Materials Project的一部分。与此Curtarolo发布了自己开发的数据库软件——Curtarolo数据库。不久之后，西北大学的材料研究员Chris Wolverton推出了开放量子材料数据库（OQMD）。这三个数据库共享了超过5万种已知材料的核心数据，包括从未被仔细研究的电性能或磁性能的材料。它们为我们探索新材料提供了起点。

这三个数据库的不同之处在于其中包含的假设性材料。Materials Project相对较为保守，主要关注锂电池研究的计算结构。Persson表示，他们只会在自信计算结果正确并且有机会将其实际制作出来的情况下才将其纳入数据库。还有包含沸石和MOF的纳米多孔材料基因中心数据库，其中预测了超过13万种结构。

AFLOWlib则是最大的数据库之一，拥有超过一百万种材料和大约十亿个计算得到的性能数据。它的独特之处在于包含大量假设性材料，其中许多在实际中仅能短暂存在。当需要预测某种材料的制备方式时，这些数据具有巨大的价值。例如，Curtarolo使用AFLOWlib数据库来研究某些合金如何形成金属玻璃——一种具有独特无序显微结构的金属。事实证明，能否形成金属玻璃与不稳定晶体结构的数量和能量有关，这些不稳定结构在合金冷却过程中与基态原子相互竞争的结果。Wolverton所创建的OQMD数据库，囊括了大约四十万种假设性材料的数据。这些数据基于自然界中常见的晶体结构，通过元素周期表各部分的元素进行修饰计算得出。其中，钙钛矿相关的数据尤为丰富，其独特的晶体结构不仅展现出超导等引人注目的特性，还广泛应用于太阳能电池。这个项目以其开放性而独特，用户可自由下载整个数据库，而不仅仅是单个搜索结果。

这些数据库仍在不断发展和完善。它们的创建者认为它们还不够完美，因此投入大量时间添加更多的化合物并优化计算结果。尽管这些数据在预测材料的稳定性方面表现出色，但在预测光吸收性能和导电性等方面仍有待提高。Marzari指出，即使在电池材料领域，标准计算仍存在平均半伏的误差，导致实际性能与预测之间存在差异。Curtarolo坦言：“理论上存在一些固有的限制，我们可能永远无法完全消除这些误差。”

每个团队都在开发自己的技术来微调计算并弥补这些系统误差。他们已经开始使用这些数据进行科学研究，来自其他团队的用户也是如此。例如，Marerials Project发现了几种前景看好的正极材料，其性能可能超越现有锂电池材料。他们也确定了几种金属氧化物，能提升太阳能电池的光吸收效率和能量转化效率。最近，来自Dublin的Trinity学院的研究人员使用AFLOWlib数据库预测了20种Heusler合金，这些合金可用作传感器或电脑记忆体的磁铁。他们成功合成两种该类合金，其磁特性与预测结果非常接近。

在欧洲，材料基因组同样受到重视。尽管可能以其他名字开展，但其核心思想相同。例如，瑞士建立了MARVEL，一个以洛桑联邦理工学院为首的计算材料科学研究网络。Marzari作为主管，创建了一个名为“材料云”的数据库，专门检索二维材料，如石墨烯。这些材料在纳米层级电子产品到生物医药设备等领域有广泛应用。为了寻找优秀的候选材料，Marzari对超过15万种已知材料进行了计算剥离分析。今年下半年，他的数据库将向公众开放，预计将可以让1500种可能的二维结构进行测试。

材料基因组面临诸多挑战。研究人员发现，尽管算法能提供一些合成新材料的线索，但离实现产业化仍有距离。有时候即便使用计算方法设计出材料，实验室合成也需要花费很长时间，甚至可能无法成功合成。为了解决这个问题，Ceder和Curtarolo尝试使用机器学习算法从现有制造工艺中提取规律来指导材料合成。尽管如此，仍存在许多限制和挑战需要克服。例如，目前的计算程序主要适用于功能材料的分析预测，对于结构材料的机械性能预测仍面临困难。未来最有趣的材料可能是以微观层面创新组合而成的产物，这需要一次性计算多种性能以及系统在特定条件下的变化过程，计算成本将非常高昂。为了应对这些挑战科学家们正在不断探索新的方法和技术推动材料基因组的发展随着计算能力的不断提高未来我们可能会看到更多通过计算预测得到的创新材料问世。