科技猎公众号/
编辑 | 萝卜皮
可靠的人工智能模型有潜力加速发现具有最佳性能的材料，适用于各种应用，包括超导、催化和热电。该领域的进步常常受到可用 数据 的稀缺性和质量以及获取新数据所需的大量努力的阻碍。对于此类应用，迫切需要可靠的替代模型，利用易于获取的材料特性来帮助指导材料空间探索。
德国柏林马克斯·普朗克学会弗里茨·哈伯研究所（Fritz-Haber-Institut der Max-Planck-Gesellschaft）和柏林洪堡大学（Humblodt Universität zu Berlin）的研究团队提出了一个通用的数据驱动框架，该框架提供定量预测以及定性规则，用于通过符号回归和敏感性分析的组合指导所有数据集的数据创建。
该团队仅使用 75 个实验测量值生成精确的晶格热导率分析模型，展示了该框架的强大功能。通过从该模型中提取最具影响力的材料特性，研究人员能够分层筛选 732 种材料并找到 80 种超绝缘材料。
该研究以「Accelerating materials-space exploration for thermal insulators by mapping materials properties via artificial intelligence」为题，于 2023 年 6 月 24 日发布在《npj Computational Materials》。
人工智能（AI）技术有潜力显著加速新型功能材料的搜索，特别是对于不同物理机制相互非线性竞争的应用（量子材料），以及表征材料的成本使得大规模搜索变得困难的应用（热电学）。由于这种固有的复杂性，目前此类应用程序可用的数据量有限，这反过来又严重限制了人工智能技术的适用性和可靠性。
热传输（通过与温度相关的热导率 KL 来测量）是材料普遍存在的特性，在能量转换、催化、热管理和燃烧等众多科学和工业应用中发挥着至关重要的作用。寻找具有极低或极高导热率的新晶体材料是改进这些技术和其他技术或使其在商业上可行的先决条件。因此，寻找新的绝热体并了解在材料空间中的何处寻找此类化合物是该领域的一个重要的开放挑战。
从理论角度来看，热传输取决于不同机制的复杂相互作用，特别是在绝热体中，强烈的非谐波、高阶效应可能发挥作用。尽管在固体中 KL 的计算评估方面取得了重大进展，但这些从头算的方法对于大规模的物质空间探索来说成本太高。因此，迄今为止，计算高通量方法仅涵盖材料的一小部分。通过实验，测量了更少数量的材料的导热系数，并确定了 <150 个绝热体。
越来越多的研究致力于利用人工智能框架来扩展人类在该领域的知识。许多研究使用人工智能来扩展传统动力学驱动的材料模型的功能，从而提高其估计 KL 的准确性。然而，此类模型的适用性仍然受到原始表达式中的物理假设的限制。然而，仍然缺乏消除这些假设并实现人工智能方法的定量准确性，同时保留分析模型的定性可解释性的通用模型。
德国柏林弗里茨·哈伯研究所和柏林洪堡大学的研究团队通过使用符号回归技术来定量学习 KL，并使用易于计算的材料属性来应对这一挑战。虽然符号回归方法的训练成本通常比其他基于内核的方法更昂贵，例如核岭回归（KRR）和高斯过程回归（GPR），它们的预测误差通常与其他方法相当，并且它们的自然特征缩减和由此产生的分析表达式使它们成为可解释人工智能的有用方法。
图示：这项研究的动机是减少近似材料导热率所需的计算数量。（来源：论文）
该团队开发了一个人工智能框架来促进和加速物质空间探索，并展示其解决寻找绝热体这一紧迫问题的能力。通过结合符号回归和敏感性分析，研究人员能够使用相对容易计算的材料属性来获得给定属性的准确预测，同时保留强大的物理可解释性。
重要的是，这种分析使研究人员能够创建分层、高通量的框架；他们用它来筛选一组 700 多种材料，并找到一组大约 100 种可能的热绝缘体。候选材料集中几乎所有的良好热导体在筛选的第一次迭代中都被丢弃，该团队仅通过摩尔体积进行区分，即与 KL 的完整计算相比，计算成本绝对可以忽略不计。
因此，这种方法在热传输之外的广泛材料问题中非常有用，特别是当（i）可用的可靠数据很少，（ii）很难产生额外的数据，以及（iii）多个物理机制不平凡地竞争，限制了简化模型的可靠性时。
尽管所提出的方法对于小数据集大小已经是可靠的，但当应用于较大的数据集时，它显然变得更加可靠。在这里，所确定的启发式方法可以极大地帮助引导数据创建到物质空间中更有趣的部分。沿着这些思路，在数据集增长的同时，可以迭代地细化 SISSO 模型和物质空间探索期间灵敏度分析的规则。
此外，人们还可以以递归方式将所提出的过程应用于最有影响力的主要特征，使用更简单的属性学习计算量大的特征的新表达式，例如 σ^A。反过来，这将进一步加速材料发现，同时也可以获得进一步的物理见解。
最重要的是，该方法不仅限于材料的导热率，还可以应用于任何目标属性。进一步扩展该框架以包括有关潜在电子结构计算预计会失败的位置的信息，也提供了一种更普遍地加速材料发现的方法。
论文链接：https://www.nature.com/articles/s41524-023-01063-y
相关报道：https://phys.org/news/2023-07-efficient-discovery-energy-materials-ai-guided.html
