美國研究者借助機器學習算法，利用“廢棄”數(shù)據(jù)成功預測新材料的合成，引發(fā)學界激論：人工智能真能加速發(fā)現(xiàn)神奇新材料嗎？該研究所用的“計算材料學”結(jié)合計算機模型和機器學習，是對傳統(tǒng)研究方法的革新。計算機科學和人工智能的影響已經(jīng)拓展到越來越多的領域，機器學習或?qū)⒏淖兾磥砜蒲蟹绞健?/p>
發(fā)現(xiàn)一種新的材料是非常艱難的過程，通常要經(jīng)歷無數(shù)次失敗，偶爾在機緣巧合之下取得成果，還要費勁功夫反向檢測這種新材料的性質(zhì)。但有一批材料科學家轉(zhuǎn)換思路，使用計算機模型和機器學習算法生成海量假想的材料，建立數(shù)據(jù)庫，從中篩選出值得合成的材料，再通過檢索這些材料可能擁有的性質(zhì)進行具體應用測試，比如將這種材料用作導體表現(xiàn)如何、用作絕緣體性能又如何、這種材料是否具有磁性、那種材料的抗壓力是多少。
2016年5月5日，Nature 將一篇機器學習算法改變材料發(fā)現(xiàn)方式的論文放上封面，并提出“從失敗中學習”：美國研究者利用機器學習算法，用失敗或不成功的實驗數(shù)據(jù)預測了新材料的合成，并且在實驗中機器學習模型預測的準確率超過了經(jīng)驗豐富的化學家，這意味著機器學習將改變傳統(tǒng)材料發(fā)現(xiàn)方式，發(fā)明新材料的可能性也大幅提高。
使用計算機模型和機器學習算法的好處在于，失敗的實驗數(shù)據(jù)也能用作下一輪的輸入，繼而不斷完善算法。倫敦帝國學院研究副院長、材料科學家 Neil Alford 以觀察者身份發(fā)表評論，這種做法代表了實驗科學和理論科學的真正融合。
加州大學伯克利分校的材料科學家 Gerbrand Ceder 在接受 Nature 記者采訪時說，使用機器學習算法有望大幅提高新材料發(fā)現(xiàn)的速度和效率。Ceder 是最早開始使用計算模型和機器學習生成假想材料的科學家之一，他以化合物磷酸鐵鋰為例：磷酸鐵鋰最初于 20 世紀 30 年代被合成，但當時世人并不認為這種材料會有多大用途，直到 1996 年科學家發(fā)現(xiàn)磷酸鐵鋰大有取代現(xiàn)有鋰離子電池的可能。
哈佛大學的研究者采用計算材料科學思路，使用“失敗”數(shù)據(jù)，成功完成了這篇被選為本期 Nature 封面的論文。
有了機器學習，再也不怕失敗了
論文標題：Machine-learning-assisted materials discovery using failed experiments
作者：Paul Raccuglia、Katherine C. Elbert、Philip D. F. Adler、Casey Falk、Malia B. Wenny、Aurelio Mollo、Matthias Zeller、Sorelle A. Friedler、Joshua Schrier、Alexander J. Norquist
來源：Nature 533, 73–76 (05 May 2016) doi:10.1038/nature17439
使用失敗實驗在機器學習輔助下進行材料發(fā)現(xiàn)（摘譯）
對諸如有機模板合成的金屬氧化物、金屬有機骨架（MOF）和有機鹵化鈣鈦礦等無機-有機雜化材料的研究已經(jīng)持續(xù)了數(shù)十年。水熱法和（非水）溶劑熱合成已經(jīng)產(chǎn)生了數(shù)千種新材料，這些新材料幾乎包含了元素周期表中的所有元素。然而，我們?nèi)晕闯浞掷斫膺@些化合物的形成過程，對新化合物的開發(fā)主要依靠試探性合成。在Materials Genome Initiative的推動下，計算機模擬和數(shù)據(jù)驅(qū)動的方法成為對實驗試錯方法的替代選擇。三個主要的策略是：基于模擬來預測材料的電荷遷移率、光生伏打性質(zhì)、氣體吸附能力和鋰離子嵌入等物理性質(zhì)，從而確定那些有前景的合成對象。通過整合高通量合成與測量工具，從大規(guī)模實驗數(shù)據(jù)中確定材料的結(jié)構(gòu)-性質(zhì)關系。基于諸如沸石結(jié)構(gòu)分類和氣體吸附性能等相似的晶體結(jié)構(gòu)，對材料進行聚類。
在這里，我們展示了用反應數(shù)據(jù)訓練機器學習算法，繼而預測模板合成的釩亞硒酸鹽結(jié)晶過程的反應結(jié)果。我們使用未發(fā)表的“黑暗”反應信息，這些反應信息來自那些失敗或未成功的水熱合成實驗。我們從實驗室的筆記本檔案中收集了這些信息，并運用化學信息學技術(shù)為筆記本中的原始數(shù)據(jù)添加了理化性質(zhì)描述。我們用由此產(chǎn)生的數(shù)據(jù)訓練機器學習模型預測反應能否成功。當使用先前未經(jīng)測試的、市場有售的有機砌塊進行水熱合成實驗時，我們的機器學習模型獲得了比傳統(tǒng)人類策略更好的效果，并成功預測了有機模板合成的無機物的形成條件，成功率達 89%。對機器學習模型進行反演后，可以揭示出關于成功產(chǎn)物形成條件的嶄新假設。
實驗中機器學習模型反饋機制示意圖
圖1｜“黑暗”反應的反饋機制示意圖。使用從歷史反應數(shù)據(jù)中產(chǎn)生的機器學習模型推薦可供執(zhí)行的新反應，并產(chǎn)生關于結(jié)晶過程的假設，這些假設可以被人類解讀。另，SVM 是支持向量機的縮寫。來源：Nature 533, 73–76
機器學習模型超越傳統(tǒng)人類策略
圖2｜關于模板合成的釩亞硒酸鹽晶體形成的實驗結(jié)果比較，以胺相似度為橫軸。深色條表示機器學習模型的預測，淺色條表示傳統(tǒng)的人類策略。產(chǎn)生了多晶和大單晶產(chǎn)物的反應分別顯示為藍色和綠色。縱軸顯示了反應出現(xiàn)所指示的結(jié)果的概率。機器學習模型比人類策略更成功地預測了晶體形成的條件，無論用模板合成的胺數(shù)據(jù)庫中已知實例時所具有的系統(tǒng)相似性如何。來源：Nature 533, 73–76
電池網(wǎng)微信
