人工智能应对材料结构预测的挑战
剑桥大学和林雪平大学的研究人员设计了一种方法，可以根据材料的构成元素来预测材料的结构。结果发表在《科学进展》杂志上。
材料中原子的排列决定了它的性质。无需在实验室中制造材料，通过计算预测不同元素组合的这种排列的能力，将使研究人员能够快速设计和改进材料。这为更好的电池和光伏等进步铺平了道路。
然而，原子可以通过多种方式“堆积”到材料中：一些堆积是稳定的，而另一些则不是。确定包装的稳定性是计算密集型的，并且计算每个可能的原子排列以找到最佳排列是不切实际的。这是材料科学的一个重大瓶颈。
“这种材料结构预测挑战类似于生物学中的蛋白质折叠问题，”共同领导这项研究的剑桥卡文迪什实验室的AlphaLee博士说。“一种材料可以‘折叠’成许多可能的结构。材料科学问题可能比生物学更具挑战性，因为它考虑了更广泛的元素。”
Lee和他的同事开发了一种基于机器学习的方法，成功应对了这一挑战。他们开发了一种描述材料的新方法，使用对称数学将原子可以打包到材料中的无限方式减少为有限的可能性。然后，他们使用机器学习来预测理想的原子堆积，给定元素及其在材料中的相对组成。
他们的方法准确地预测了有望用于压电和能量收集应用的材料结构，其效率是当前方法的五倍以上。他们的方法还可以以计算有效的方式找到数千种以前从未制造过的新的稳定材料。
“可能的材料数量比我们自古代以来制造的材料总数大四到五个数量级，”同样来自卡文迪什实验室的共同第一作者RhysGoodall博士说。“我们的方法提供了一种有效的计算方法，可以‘挖掘’以前从未制造过的新的稳定材料。然后可以对这些假设材料的功能特性进行计算筛选。”
研究人员现在正在使用他们的机器学习平台来寻找新的功能材料，例如介电材料。他们还将实验约束的其他方面整合到他们的材料发现方法中。
标签：