一门新学科——材料信息学

AI涌现编译

作者：Rampi Ramprasad等

译者：由梦雅

【导读】受算法进步和数据驱动的研究在其他领域成功推动，材料科学中的信息学方法已逐渐成形。该方法采用机器学习模型，仅依赖已有的数据便可快速做出预测，不需通过直接实验，也不需要求解基本方程来模拟。对于难以用传统方法计算的材料性能将会十分有效。

当遇到突发情况时，人们通常会依赖已有的经验来解决现有的问题，这种结合过去经验做出的决定可以被称作是直觉。实际上，不仅人类如此，机器有时也是如此。现如今，随着大数据越来越丰富和完善，越来越多的数据被应用于机器制造和材料开发，这也使得学习型的实用机器随之得以诞生。

近期，来自于美国康涅狄格州立大学材料科学与工程系的Rampi Ramprasad教授等人综述了过去十年来基于数据驱动的“材料信息学”的成功策略，特别强调了材料“指纹”的前世今生。

一些数据的积累间接推动了创造简单科学理论经验过程的发展，使得“数据驱动”、“机器学习”等能迅速成为材料研究的重要组成部分。由于可以在计算机上利用可用性强的方法和系统合成功能来获得关键数据，许多非常有用的数据库随之兴起，如NOMAD、Materials Project等等。从这些资源或者其他可靠的现存资源中挖掘或学习数据，可以得知之前未知性质之间的相关性。因为数据驱动方法最危险的一个方面就是将机器运用在未知领域，故而该危险的解决方案，可能会为适应性学习模式开辟道路，并且可以逐步提高数据质量，这对进一步发展机器学习至关重要。

不过目前困扰研究者的最重要的问题是使用数据驱动方法是否适用于他们所研究的问题。理想情况下，数据驱动的方法主要针对计算或测量非常困难的情况，例如聚合物的玻璃化转变程度、复合材料机械强度、材料摩擦系数等等，或者不能直接求解的复杂现象、不知道控制方程，为创建替代模型提供原理等三方面。虽然迄今为止，材料信息学的主要工作集中在关于模型问题和一般概念的验证方面，但数据驱动的发现，使其出现了专注于复杂的现实世界的材料应用，从而在合理的材料设计工作中提高效率。

本文为AI涌现原创，转载请联系本公众号获得授权。