办公平台 | 所内邮箱 | ARP | English
当前位置: 首页 > 新闻动态 > 科研动态
中国科学院物理研究所 EX4组供稿 第35期 2017年07月19日
北京凝聚态物理国家实验室
机器学习方法预测材料性能的新进展
  近二十年来,机器学习方法的发展为我们的生活带来许多便利。智能网络搜索、语音识别,乃至无人超市、无人驾驶汽车等,依托于机器学习方法的新事物正迅速地在生活中普及。Alpha Go的横空出世更让世界惊叹于人工智能的潜在价值。在科研领域,大数据的理念正在改变着科研人员对未知世界的探索方式。美国在2011年提出了材料基因组计划(Materials Genome Initiative),以期加快材料的研发过程。我国怀柔科学城的发展规划中,“材料基因组研究平台”项目已全面开工建设。高通量实验+高性能计算+深度数据分析的研究方式已经成为时代发展的趋势。
  在非晶合金研究领域,如何设计并开发处具有良好玻璃形成能力的合金,是一个具有重要产业价值的科学问题。过去非晶合金材料新体系的探索主要依据经验性判据的指导,由于其准确性与通用性的限制,非晶新材料的研发速度非常缓慢。 如何提高材料设计的效率,寻找具有更优性能的材料,是非晶材料领域非常具有挑战性的问题。
  最近,中国科学院物理研究所/北京凝聚态物理国家实验室(筹)汪卫华研究组(EX4组)博士研究生孙奕韬在汪卫华研究员、白海洋研究员及人民大学物理系李茂枝教授的指导下,使用机器学习的方法,对二元合金的玻璃形成能力进行了系统分析,建立了合金成分与性能之间的关联,并对可能的新材料进行了预测。研究过程中使用了支持向量机(Support Vector Machine)这种方法(图1),通过构建多维空间,并在这个多维空间内对数据进行分割,从而建立输入参量与输出参量之间的关联。该研究方法可通过不断选择新的参数对模型进行重复训练,探讨了合金的不同性质对其玻璃形成能力的影响(图2)。研究发现,参量Tliq(表征合金过冷能力的参量)与合金的玻璃形成能力有最为显著的关联,而且使用参量Tliq与Tfic(表征合金热稳定性)作为输入参数,可以得到具有最佳预测效率的模型。通过对最佳模型的分析,发现已知的具有良好玻璃形成能力的二元合金,其分布与模型的预测值具有很好的一致性(图3)。使用这个模型,可以对未知的合金成分进行预测,这样由深度数据分析指导设计的实验,可以极大地缩短非晶合金材料的研发周期(图4)。该工作作为使用新的工具对经典问题进行分析的一种尝试,得到了初步成果。这表明,机器学习的方法在非晶材料设计与研发领域具有重要的应用前景。采用更全面、完善的数据库,运用更深入的人工智能算法,机器学习方法能够为非晶等领域科研人员提供更精准的信息,进一步加速材料的研发过程。
  这项研究结果最近发表在J. Phys. Chem. Lett.(IF=9.35) 8, 3434(2017)上。该项研究工作得到国家自然科学基金项目(51571209,51461165101)、科技部973项目(2015CB856800)和中科院前沿科学重点研究项目(QYZDY-SSW-JSC017)的支持。
图1. 支持向量机方法的基本过程,包括四个主要部分:数据库的建立,模型的训练,模型的评估,以及最优模型的预测。
图2. 不同的输入参数得到的模型的预测结果。
图3. 最优模型的预测结果。已发现的优秀材料与模型预测(红色区域)有很好的一致性。
图4. 最优模型预测得到最佳玻璃形成能力的合金体系的成分云图。
下载附件>> JPCL17-machine learning GFA.pdf
中科院logo