当前位置: 首页 > 新闻及公告 > 学术专题

学术专题

为材料科学的发展插上机器学习的翅膀--高性能计算部 梅伟

2018-10-24

自从有人类活动以来,我们的世界就离不开材料的使用和发展。材料是人类社会得以进步和发展的重要基石,也是人类区别于其他灵长类动物的重要判据。材料被誉为是“现代工业之母”,支撑着整个社会小到一针一线一砖一瓦,大到航天飞机、航空母舰、高速铁路的发展和进步。

计算机科学技术的迅猛发展以及超级计算机的出现,为研究和设计新型的性能更加卓越的材料提供了新的可靠的途径和方法。利用计算机模拟已经成为继传统实验上的试错法之后公认的材料设计开发的最佳选择之一。通过计算模拟能够有效地缩短实验周期,减少材料的浪费,从而控制材料设计的成本。而通过机器学习的方法研究已有的材料知识和数据,将极大地简化和加速材料研发的过程,必定为材料科学插上腾飞的翅膀。

美国康涅狄格大学的Pilania教授团队选取机器学习的方法,结合材料“指纹”—化学结构,通过量子力学计算得到的数据训练模型,快速准确地预测了材料体系的众多性质。他们认为机器学习运用在材料科学上一个核心问题是如何提出一个判定规则,帮助人们建立一个材料体系特征属性与其性质之间的映射关系。基于密度泛函理论的量子力学计算正好提供这样一个判定规则,它能够通过薛定谔方程将材料波函数与其性质联系一起。Pilania教授希望通过机器学习的方法来取代繁琐的基于求解薛定谔方程和Kohn-Sham方程的计算方法,来获得材料的相关性质。如图1所示为Pilania教授团队提出的机器学习方法的基本组成部分。

1材料预测的机器学习过程

他们通过机器学习方法预测总共175(x4)n(x8)n一维聚合物链的原子能量、形成能、晶格常数、弹性常数、带隙、电子亲和性以及介电常数的光学部分和静态部分等性质,其中xCH2SiF2SiCl2GeF2GeCl2SnF2SnCl2七种化合物。图2为其预测结果与基于密度泛函理论的计算结果的对比情况。很显然,从图2中可以看出,Pilania教授通过机器学习方法预测的一维聚合物链的性质准确性均超过了90%,在原子能量和形成能上的预测甚至达到了99%的准确率。

2机器学习结果与密度泛函理论计算的结果对比

Pilania教授这一基于成分和结构信息或者电荷密度分布的材料“指纹”矢量,通过机器学习对材料的各种性质进行准确预测的方法,其预测所消耗的成本要比基于量子力学的计算或实验方法得到结果低的多。这种方法为识别或筛选那些尚未被开发的具有更加优越性能的材料提供了一种非常高效而又可靠的途径,同时也是材料科学未来发展的一个新思路。借助机器学习的翅膀,材料科学将迎来可预见的飞跃式发展,推动整个社会进步。