随着材料成分、微观结构等复杂性的增加,机器学习等数据技术正在被研究人员应用于加速新材料的开发。然而,材料数据,特别是实验数据相对较少,造成机器学习模型预测不准确,影响了材料开发效率。值得庆幸的是,材料科学中不仅有数据,还包括丰富的“领域知识”,例如经验模型和热力学理论等。如何将数据算法与“领域知识”有效结合,进一步加速新材料的开发,是科研人员面临的共同挑战。
![](/__local/A/7A/C5/882D1251379022FF83790CCAD01_008227E4_248C6.png)
近期,西安交大材料学院强度教研室研究人员提出可以利用“领域知识”有效缩小未探索材料的搜索空间,即通过“领域知识”将可能具有较高性能的材料先预选出来,再在这样一个较小的搜索空间中利用机器学习开发新材料的思路,进一步加速机器学习算法搜寻目标材料的效率。研究人员以开发在低电场下具有高储能密度的无铅铁电陶瓷为研究案例。首先,利用成分-温度相图中的过渡区域成分拥有更高的储能密度这一“领域知识”,成功在简单体系中设计并合成具有高储能密度的铁电陶瓷。然而,这种策略仅适用于简单体系,无法指导研究人员在复杂系统(多掺杂体系)中快速搜寻目标材料。这促使研究人员利用两种数据驱动的策略解决复杂系统中的优化问题。策略I利用纯数据驱动方法,直接在巨大的未知空间(约900万种可能性)搜寻目标材料,并在第六次实验迭代中发现具有高储能密度的铁电陶瓷。策略II首先利用“领域知识”在未知空间中预选位于过渡区域的材料成分,进而在这样预选出的小空间(约70万种可能性)中进行搜寻,仅通过一次实验迭代便发现具有较好性能的目标材料(其储能密度高于策略I中发现的最优值)。以上结果表明,“领域知识”与机器学习结合的策略,比纯数据驱动的研究策略更加高效。同时,也为含有大量极值的其他复杂材料体系的性能优化提供了启示。
该研究成果近日以《利用机器学习和实验设计加速开发低电场下具有高储能密度的钛酸钡基铁电陶瓷》(Accelerated Search for BaTiO3-Based Ceramics with Large Energy Storage at Low Fields Using Machine Learning and Experimental Design)为题,发表于Wiley的综合性期刊《先进科学》(Advanced Science)上。西安交大材料学院薛德祯教授,丁向东教授为本文的共同通讯作者,博士生袁睿豪为第一作者,西安交大金属材料强度国家重点实验室为本文的第一通讯作者单位。
该研究得到了国家自然科学基金、国家重点研发计划等项目的共同资助。
论文链接:https://onlinelibrary.wiley.com/doi/10.1002/advs.201901395