13324215511
网站首页 公司简介
产品名录
工程案例
行业资讯
服务宗旨
应用领域
在线留言
联系我们

行业资讯

当前位置:首页>行业资讯

新材料学院在运用大数据和人工智能加速发现新型材料结构方面取得进展 

发布时间:2019/05/28

  近年来,人工智能机器学习在材料科学研究中得到了广泛的应用。通过构建的材料数据库等大数据系统进行机器学习模型训练,许多还没有实验和理论数据的化合物性质可以被预测出来,这将大大加速新材料发现及相关研究。机器学习在材料科学中的应用之一是建立结构与性能之间的关系,它试图在材料指纹(包括组成元素的特征、原子结构信息以及这些特征的任何组合)和我们感兴趣的目标属性之间建立预测关系。过去的工作中,机器学习方案的预测能力在材料的带隙、弹性模量、相稳定性、离子电导率、导热系数、熔融温度、玻璃化转变起始温度等性质有着很好的表现。

  北京大学深圳研究生院新材料学院潘锋团队近年承担了材料基因组工程研发固态电池及关键材料的项目,构建有60多万独立晶体结构的大数据系统(www.pkusam.com)并且尝试应用人工智能机器学习的方法来加速新型材料的发现。在以往的研究中,机器学习方案的成功是基于数据库中数据的共同趋势,通过这样的共同趋势训练,开发的模型可以应用于预测大多数化合物的结构与性能的关系。这对通常的化合物是有效的、准确的,因为在材料数据库的大多数情况下,通常化合物具有规则的结构单元。然而,例外总是存在的(即使有95%的预测精度,总还有5%的例外)。潘锋团队通过对大量数据不断改良机器学习不仅能够实现高精度预测材料的结构和性能相关性(相当于发现材料的“遗传”性质),同时原创性着眼于这些不在预测范围的“例外”,并且通过分析这些“例外”(相当于发现材料的“变异或突变”性质),即分析远离总体趋势的异常结果,从中获得新的洞见,发现了新型的结构基元(具有正3价的银离子基团),这对基础物理化学有了一些新的认识,并在科学上开辟了新的领域。该成果“Discoveringunusualstructuresfromexceptionusingbigdataandmachinelearningtechniques”以论文形式,应邀在学术期刊《ScienceBulletin》(64(2019)612–616)上以封面文章发表。