机器学习力助新材料研发

根据美国科学促进会全球科学新闻网2016年5月9日报道，美国洛斯阿拉莫斯国家实验室的研究人员通过实验展示了一种基于信息学的自适应性设计策略，能帮助科学家发现具有目标属性的新材料。据该研究的负责人Turab Lookman称，他们的实验旨在证明可以从一个相对较小的控制实验数据集出发，迭代引导后续实验研发具有目标属性的材料。

新材料的发现历来采用的是直觉和反复试错法，但随着化学复杂性越来越高，很大程度上需要将试错与其他方法相结合，使之更具实用性。为了解决这一问题，研究人员采用了机器学习技术来加速发现新材料并取得了成效，他们开发了一个框架，利用不确定性以迭代方式指导后续实验，从而发现热滞量（或热耗散量）极低的形状记忆合金，在工程应用中这些合金是提高疲劳寿命的关键。

该研究希望能将新材料研发到投入市场的时间和成本减少一半，并验证一个基于机器学习和设计的数据驱动型框架是否能够大大加快新材料的研发速度，该研究充分利用了洛斯阿拉莫斯国家实验室的超级计算资源。

虽然美国白宫科技政策办公室于2011年宣布的材料基因组计划（Materials Genome）催化了科学界对加速新材料研发的兴趣，但该研究首次展示了信息学框架如何促进了新材料的发现。

该领域的研究大都集中在生成和筛选由运行数千次量子力学计算形成的数据库，然而在结构性、化学性和微观结构性问题的相互作用下情况会很复杂，尤其是涉及缺陷、固溶体、非化学计量和多组分化合物时，目前还不曾有先进的工具能够处理这些问题。此外，鲜有研究提供了实验反馈信息或考虑不确定性因素。

该研究主要研发的是镍钛形状记忆合金，但其采用的策略可用于研发任何材料类型（如聚合物、陶瓷、纳米材料）或目标属性（如介电响应、压电系数、带隙），这对于那些昂贵、耗时实验或计算而言具有重要意义。该策略能够快速适应变化的情况，从而优化处理条件。同样，该策略还可以用于优化多种属性，如镍钛合金的低热散以及比室温高几度的热转化温度。