物理所等利用机器学习方法预测材料性能获进展

　　近二十年来，机器学习方法的发展为我们的生活带来许多便利。智能网络搜索、语音识别，乃至无人超市、无人驾驶汽车等，依托于机器学习方法的新事物正迅速地在生活中普及。Alpha Go的横空出世更让世界惊叹于人工智能的潜在价值。在科研领域，大数据的理念正在改变着科研人员对未知世界的探索方式。美国在2011年提出了材料基因组计划（Materials Genome Initiative），以期加快材料的研发过程。我国怀柔科学城的发展规划中，“材料基因组研究平台”项目已全面开工建设。高通量实验+高性能计算+深度数据分析的研究方式已经成为时代发展的趋势。

　　在非晶合金研究领域，如何设计并开发出具有良好玻璃形成能力的合金，是一个具有重要产业价值的科学问题。过去非晶合金材料新体系的探索主要依据经验性判据的指导，由于其准确性与通用性的限制，非晶新材料的研发速度非常缓慢。如何提高材料设计的效率，寻找具有更优性能的材料，是非晶材料领域非常具有挑战性的问题。

　　最近，中国科学院物理研究所/北京凝聚态物理国家实验室（筹）汪卫华研究组博士研究生孙奕韬在研究员汪卫华、白海洋及中国人民大学物理系教授李茂枝的指导下，使用机器学习的方法，对二元合金的玻璃形成能力进行了系统分析，建立了合金成分与性能之间的关联，并对可能的新材料进行了预测。研究过程中使用了支持向量机（Support Vector Machine）这种方法（图1），通过构建多维空间，并在这个多维空间内对数据进行分割，从而建立输入参量与输出参量之间的关联。该研究方法可通过不断选择新的参数对模型进行重复训练，探讨了合金的不同性质对其玻璃形成能力的影响（图2）。研究发现，参量Tliq（表征合金过冷能力的参量）与合金的玻璃形成能力有最为显著的关联，而且使用参量Tliq与Tfic（表征合金热稳定性）作为输入参数，可以得到具有最佳预测效率的模型。通过对最佳模型的分析，发现已知的具有良好玻璃形成能力的二元合金，其分布与模型的预测值具有很好的一致性（图3）。使用这个模型，可以对未知的合金成分进行预测，这样由深度数据分析指导设计的实验，可以极大地缩短非晶合金材料的研发周期（图4）。该工作作为使用新的工具对经典问题进行分析的一种尝试，得到了初步成果。这表明，机器学习的方法在非晶材料设计与研发领域具有重要的应用前景。采用更全面、完善的数据库，运用更深入的人工智能算法，机器学习方法能够为非晶等领域科研人员提供更精准的信息，进一步加速材料的研发过程。

　　这项研究结果最近发表在J. Phys. Chem. Lett. 8， 3434（2017）上。该项研究工作得到国家自然科学基金项目（51571209，51461165101）、科技部“973”项目（2015CB856800）和中科院前沿科学关键研究项目（QYZDY-SSW-JSC017）的支持。

图1. 支持向量机方法的基本过程，包括四个主要部分：数据库的建立，模型的训练，模型的评估，以及最优模型的预测。

图2. 不同的输入参数得到的模型的预测结果。

图3. 最优模型的预测结果。已发现的优秀材料与模型预测（红色区域）有很好的一致性。

图4. 最优模型预测得到最佳玻璃形成能力的合金体系的成分云图。