支持向量決策樹
圖3｜從 SVM 中得到的決策樹。橢圓表示決策節點，矩形代表反應結果容器，三角形代表被切除的子樹。箭頭上的數字對應于決策屬性的測試值。每個反應結果容器（矩形）對應一個特定的反應結果值（“3”或“4”，如圖所示）。括號中的數字是正確地分配給該容器的反應的數量（任何被錯誤分類的反應都用正斜杠標識）。分數值表示反應具有不確定的結果，這是由決策樹的較高位置的屬性值缺失導致的。那些包含了大多數成功反應的容器被分為三個不同的組（分別用綠色，藍色和紅色陰影標示）。每個彩色子樹定義了一組有助于單晶形成的特定反應參數。通過審查這些條件，可以得出相應的化學假設，這些假設分別對應于低、中和高極化胺。來源：Nature 533, 73–76
算法生成的假設及其化學三維結構模型
圖4｜對從模型中產生的三個假設及每個假設結構的圖示。單晶形成所需的實驗條件很大程度上取決于胺屬性。小的、低極化的胺需要不存在與之競爭的 Na+ 離子，也需要較長的反應時間，以避免無機砌塊沉淀。球形、低投影尺寸的胺則需要包含 VOSO4 等試劑的 V4+ ，因為它們不能直接從常見的 V5+ 前體中產生 V4+。長的三胺和四胺要求草酸鹽反應物，以改變無機次級砌塊的電荷密度。這三個假設分別對應于圖 3 中的綠色、藍色和紅色子樹。
我們的機器學習方法使我們能夠利用包含歷史反應的化學信息，并闡明支配反應結果的因素。機器學習模型對先前未經測試的有機胺的預測準確率，超過了依靠多年來形成的化學直覺所實現的準確率。此外，我們的方法以可驗證的假設形式揭示了支配反應結果的化學原理，它能更成功地制造新化合物，也能產生有用的化學信息，這代表了試探性反應的革新性進步。
AI 真能發現神奇材料嗎？
計算材料科學還是一門新興的學科，其主要推動著就是上文提到的加州大學伯克利分校的材料科學家 Gerbrand Ceder 。受人類基因組計劃的啟發，Ceder 想到了使用高通量數據驅動的方法進行材料發現。Ceder 認為，人類基因組本身并非能作為疾病治療的方案，但卻可以為醫學提供研發疾病治療方案的海量基本定量數據——材料科學是不是也能借鑒遺傳科學的方法，用“材料基因組”（該詞為 Ceder 所創）編碼各種化合物呢，就像 DNA 堿基對編碼蛋白質等各種生物材料一樣？
2003 年，Ceder 研究組創建了一個量子力學計算數據庫，用于預測金屬合金最有可能形成的晶體結構，因為這是發明新材料的基礎。在過去，即使使用用超級計算機也需要通過多次反復長期大量試錯找到合金的基態。但在 Ceder 研究組 2003 年發表的一篇論文中，他們描述了一種捷徑：研究人員首先計算出一些常見二元合金晶體結構的能量，建立小型數據庫，然后設計了一種機器學習算法，這種算法可以從上述數據庫中提取模式，繼而預測出新合金基態的可能值。結果表明，Ceder 研究組設計的這種機器學習算法表現良好，大大縮減了計算時間。
2006年，Ceder 在 MIT 開始了 Materials Genome Project，用改進后的機器學習算法預測能用作電動車電池的鋰材料。2010年，該計劃的數據庫里已經包含了2萬種計算機預測的化合物。另一方面，Ceder 研究組成員 Stefano Curtarolo 在 2006 年去了杜克大學并在那里建立了自己的實驗室——Center for Materials Genomics，專門研究金屬合金，Curtarolo 研究組與其他兩家研究機構合作，逐漸改進 2003 年的機器學習算法并拓展數據庫，構建了 AFLOW 系統，能計算已知的晶體結構并且自動預測新的晶體結構。
2011年6月，白宮宣布斥資幾億美元進行 Materials Genome Initiative（MGI），由此開始計算材料科學這門學科成為主流。如今，除了 Ceder 的 Materials Project，還有原 Ceder 研究組成員、現杜克大學材料科學家 Stefano Curtarolo 的數據庫 AFLOWlib，以及西北大學材料研究者 Chris Wolverton 在 Ceder 思路啟發下，用自己研發的算法和模型建立的數據庫 Open Quantum Materials Database（OQMD）。
這3大數據庫都含有從材料科學界廣泛使用的無機晶體結構數據庫中提取的5萬種材料，這些都是曾經被制造出來的固體，但其導電性和磁性尚未被徹底研究。其不同之處在于：Ceder 的 Materials Project 側重沸石、鋰電池相關以及金屬有機骨架結構材料，并以較高的標準衡量是否將計算機預測的材料納入數據庫；Curtarolo 的 AFLOWlib 是最大的數據庫，包含 100 多萬種材料和幾十萬種假想材料，但相應的里面也不乏只能存在一瞬間的材料；Wolverton 的 OQMD 有大約 40 萬種假想材料，其中鈣鈦礦相關的尤其豐富，此外正如名字中 Open 那樣，用戶可以下載整個數據庫。
目前這3大數據庫都在用各自的方法不斷補充數據、完善算法，但離理想還有很大距離。當前的機器學習算法相對擅長預測某種晶體是否穩定，但在預測吸光性和導電性時則會出現很大誤差。不過，Materials Project 已經發現了幾種有望超越現有鋰離子電池陰極材料性能的材料，以及有可能提高太陽能電池能量轉化率的金屬氧化物。都柏林三一學院的研究人員使用 AFLOWlib 預測了 20 種可用于制作傳感器或計算機存儲器的磁性材料，并且成功合成了其中的兩種，同時經實驗證明其磁性與預測非常接近，相關論文已經在 Nature 發表。
電池網微信
