日前，美国科研人员在英国《自然通讯》发表题为《从数据中学习来设计功能材料没有反演对称性》的论文，阐述了一种依托更少的数据筛选并设计材料的方法。该论文第一作者是新墨西哥州洛斯阿拉莫斯国家实验室的普拉桑纳·巴拉干德兰（Prasanna Balachandran），接着是西北大学的研究生约书亚·杨（Joshua Young），洛斯阿拉莫斯实验室的资深研究员图拉伯·鲁克曼（Turab Lookman）等也参与了论文撰写。

  论文主题受美国国家自然科学基金和洛斯阿拉莫斯实验室指导研发计划的资助。西北大学麦考米克工程学院材料科学与工程领域的助理教授詹姆斯·兰丁内利（James M. Rondinelli）的团队专注于一类二维复合氧化物的研究。这些材料展现出了很多使得某些技术实现的特性，如铁电性和压电性，并可以与在现在电子设备中发现的传统半导体材料接合。但很少有层状材料在某些几何形状中具有这些性质（这些性质对开发电子、通信和能源问题至关重要），这意味着采用传统方法制订新材料设计指南的数据非常少。

  兰丁内利表示：“在这个材料族中，数据量是很小的。目前来看，大约只有10~15种材料被认为拥有人们迫切想要的性能……这里并没有很多数据可以拿来使用。传统的数据科学通常应用在解决大数据问题上，对领域知识的需求较少。”

  研发一种新型功能材料本来就很难，从相对小范围的已知材料族中搜索非常特定的性质就更加困难。为此，来自西北大学工程学院和洛斯阿拉莫斯实验室的团队成立了一个工作室，他们开发了一套创新的工作流程，结合机器自主学习和密度函数理论计算，为具有有用电子性能的新材料创建设计指南，例如材料的铁电性和压电性等。兰丁内利说，“当研究人员寻找新的材料时，一般来说他们都从有大量数据的相似的材料中寻找。无论如何，新材料的研发都是一件不容易的事情，但是我们知道如何从大量的数据资料中提炼有价值的信息。”兰丁内利表示。“当你缺乏很多信息时，从数据中学习变成了一件非常艰难的事”。“虽然数据量小是这个问题的本质，”巴拉干德兰补充道，“但是我们的方法还是奏效的，因为我们可以将我们对材料的理解（领域知识）和数据结合在一起，指导机器进行学习”。

  因此，该团队开始建立已知材料的数据库，并且开始应用机器自主学习的方法（计算机科学的一个子领域），从数据中学习并建立算法，并运用算法做出更准确的预测。“结合机器学习的方法，我们可以将人们想研发新材料的化学成分识别出来，作为候选组分”。经过了对超过3000种潜在的材料的核查，这种数据科学方法找到了超过200种有前途的候选材料。随后，该团队还应用了几种严密的量子力学计算方法，评估了潜在材料的原子结构并检验了其稳定性。这项工作将潜在候选材料的范围缩小到了19种，并建议立刻采用这19种材料进行试验合成。

  通常在开发新材料时，具有潜在可能性的材料数量太多，以至于不能探索和发展每一种材料，因为筛选潜在材料的过程非常昂贵，科学家们必须有选择的进行重点科研投资。“我们的工作有潜力帮助节约大量的时间和资源，”巴拉干德兰说，“通过机器的判断后，只有那些最有潜力成为我们需要的新材料才会被建议做科研上的投资，而不是所有有可能性的材料”。

更多关于材料方面、材料腐蚀控制、材料科普等方面的国内外最新动态，我们网站会不断更新。希望大家一直关注国家材料腐蚀与防护科学数据中心http://www.ecorr.org