近期四项研究，人工智能又搞出了哪些新材料？

　　目录无监督机器学习工具加速真正新材料的发现识别新材料的高通量方法通过结合深度学习和约束推理来自动化晶体结构相映射人工智能方法加速热电材料的发现
　　无监督机器学习工具加速真正新材料的发现
　　利物浦大学的研究人员创建了一种协作人工智能工具，可以减少发现真正新材料所需的时间和精力。
　　据报道，这种新工具已经发现了四种新材料，包括一系列可传导锂的新固态材料。这种固体电解质可以应用于固态电池开发，为电动汽车提供更长的续航能力。
　　发现新的功能材料是一个高风险、复杂且非常耗时的旅程；通过组合元素周期表中的元素，可以组合无限可能的材料空间，并且不知道那些新材料是可用的。该工具将人工智能与人类知识结合起来，优先考虑那些最有可能发现新功能材料的未探索化学空间部分。
　　该研究以Elementselectionforcrystallineinorganicsoliddiscoveryguidedbyunsupervisedmachinelearningofexperimentallyexploredchemistry为题，于2021年9月21日发布在《NatureCommunications》。
　　论文链接：https：www。nature。comarticless41467021253437
　　相关报道：https：phys。orgnews202109aitooldiscoverymaterials。html
　　选择要组合的元素，限定了合成化学的可能结果；限定组成和结构的范围，从而限定了可能出现的性质。例如，在固态下，相场的元素成分将决定寻找新结晶材料的可能性。研究人员根据他们对化学结构和键合的理解做出这些选择。关于产生合成可分离材料的那些元素组合有大量数据可用，但很难吸收这些信息的规模来指导从潜在的新化学物质的多样性中进行选择。
　　在这里，该团队的无监督机器学习捕获了，提供报告的结晶无机材料的元素组合之间复杂的相似模式。该模型指导包含两个阴离子的四元相场的优先级排序，以在协同工作流程中识别锂固体电解质，从而发现Li3。3SnS3。3Cl0。7。这种缺陷填充的纤锌矿中的间隙位点占据组合使六边形密堆积中的低势垒离子传输途径成为可能。
　　相场排序法的结果：从元素的选择到组成。
　　社会解决能源和可持续性等全球挑战的能力，受到科学家设计和制造具有目标功能的材料的能力的限制，例如更好的太阳能吸收器可以制造更好的太阳能电池板，优质电池材料制造更远距离的电动汽车，以及通过使用毒性较小材料或稀有元素来替代现有材料。
　　这些新材料通过推动新技术应对全球挑战来创造社会效益，同时它们也揭示了新的科学现象和认识。所有现代便携式电子产品都由1980年代开发的锂离子电池中的材料支持，这证明了一种材料类别如何改变我们的生活方式：定义新材料的加速路线，将为我们的未来打开目前无法想象的技术可能性。
　　识别新材料的高通量方法
　　加州理工学院和谷歌的研究人员将计算机自动化与最初用于打印T恤的喷墨打印机相结合，开发出一种高通量方法来识别具有有趣特性的新型材料。
　　在该过程的测试中，他们筛选了数十万种可能的新材料，并发现了一种由钴、钽和锡制成的材料，其透明度可调，可作为化学反应的良好催化剂，同时在强酸性电解质中保持稳定。
　　该研究以Discoveryofcomplexoxidesviaautomatedexperimentsanddatascience为题，于2021年9月14日发布在《ProceedingsoftheNationalAcademyofSciences》。
　　论文链接：https：www。pnas。orgcontent11837e2106042118
　　相关报道：https：phys。orgnews202109highthroughputmethodmaterials。html
　　自动化正在加速可应用材料的发现，但即使是针对所需属性测试数十亿种可能材料中的一小部分，也超出了涉及资源密集型属性测量的工作流程的范围。由于成分、结构和特性之间的关系，识别并获得具有一个有趣特性的复杂材料犹如大海捞针。通过采用物理感知数据科学来识别材料，以进行进一步研究，从而加速材料合成和光学表征。使用这种方法，人们不需要高通量方法来测量每种感兴趣的材料特性，因为单个超高通量工作流程可以指导其他特性的材料选择，这是加速材料发现的新范例。
　　寻找具有定制特性的材料的探索正越来越多地扩展到高阶组合空间，候选材料的数量相应地组合爆炸。一个关键的挑战是在组合空间中发现材料具有新特性的区域。传统的材料特性预测模型不够准确，无法指导搜索。
　　在这里，研究人员使用光学特性的高通量测量来识别三阳离子金属氧化物组成空间中的新区域，通过识别其光学趋势不能用简单的相混合物来解释的组合物。根据阳离子元素Mg、Fe、Co、Ni、Cu、Y、In、Sn、Ce和Ta，从108种三阳离子氧化物系统中筛选出376，752种不同的成分。具有新兴光学特性的候选相图和三阳离子组合物的数据模型指导发现具有复杂的相依赖特性的材料，如发现具有可调透明度、催化活性和在强酸性电解质中稳定。这些结果需要将数据验证与实验设计紧密结合，以生成可靠的端到端高通量工作流程，从而加速科学发现。
　　通过结合深度学习和约束推理来自动化晶体结构相映射
　　晶体结构相映射是材料科学中一项长期存在的核心挑战，需要在合成材料的X射线衍射测量中识别晶相或其混合物。已经开发出的相映射算法擅长解决具有多达几个独特相混合物的系统，其中每个相都有一个易于区分的衍射图案。
　　然而，相映射通常超出了材料科学家的能力，并且由于复杂性，例如存在数十种相混合物、衍射图案中合金相关的变化和多种组成程度，也对最先进的算法提出了挑战。自由，造成高通量材料发现的主要瓶颈。
　　在这里，加州理工学院和康奈尔大学的研究人员展示了如何自动化晶体结构相映射。他们将相位映射制定为一个无监督的模式分离问题，并描述如何使用深度推理网络（DRNets）解决它。DRNets将深度学习与约束推理相结合，整合先前的科学知识，因此使用只需要适量的数据。
　　DRNets通过利用和放大有关控制晶体混合物的热力学规则的丰富先验知识，来补偿有限的数据。DRNets设计有可解释的潜在空间，可用于编码先验知识域约束，并将约束推理无缝集成到神经网络优化中。DRNets超越了以前的晶体结构相映射方法，揭示了BiCuV氧化物相图，并帮助发现了太阳能燃料材料。
　　该研究以Automatingcrystalstructurephasemappingbycombiningdeeplearningwithconstraintreasoning为题，于2021年9月16日发布在《NatureMachineIntelligence》。
　　论文链接：https：www。nature。comarticless42256021003841
　　科学过程的一个中心原则是在丰富的科学知识体系中解释数据。然而，将复杂的先验知识有效地整合到机器学习方法中一直是人工智能领域的一个公开挑战。DRNets提供了一个通用的模块化框架，用于合并可以定制的先验知识，以有效地处理无监督模式分离任务。在这里，研究人员深入描述了DRNet在科学应用、晶体结构相映射中的应用，这是材料科学中长期存在的基本挑战。还说明了DRNets在数独分离任务中的应用，这得益于用于算法比较和消融研究的基准数据的可用性。在DRNets框架中，可解释的结构化潜在空间对于合并背景知识至关重要。
　　DRNets框架和不同任务的潜在空间语义。
　　更一般地说，将基于神经网络的学习与符号知识表示和逻辑推理相结合的研究，是人工智能机器学习研究的下一个重要前沿。DRNets框架代表了朝这个方向迈出的一步，它提供了一个模块化的端到端框架，可以针对需要学习和推理相结合的一系列任务进行定制，这些任务在各种应用领域都很普遍。
　　人工智能方法加速热电材料的发现
　　在任何形式的能源转换中即使是像太阳能电池板这样的绿色能源都会产生额外的热量。其中高达72的热量未被使用，因此从这些废物中获取电力的潜力也很大。阿尔伯塔大学的一名研究人员AlexanderGzyl已成功开发出一种方法，来找出该过程背后的化学反应。
　　这一发现最终可能有助于加快热电材料的开发这些产品如果连接到太阳能电池板系统之类的东西上，就可以回收废热，然后可以用来产生电流。使用他开发的两个机器学习模型，已经能够缩小可用于制造这些材料的一组合金的化学成分。
　　热电材料可用于利用手机或计算机服务器等个人电子设备的能量，回收燃烧产生的热量，利用体热为心脏起搏器等设备供电，并提高地热和太阳能等替代能源的效率。
　　相关报道：https：techxplore。comnews202109aibasedmethoddiscoverymaterialsharvest。html
　　Gzyl使用的材料称为半赫斯勒合金，它具有较好的稳定性、机械强度和转换效率。但由于其特定的化学成分，获取并应用它依旧是重大的挑战。
　　它们是由某些化学元素以1：1：1的比例以特定方式排列的结晶材料，但该比例的化学元素有超过100，000种可能的组合，所有组合中只有一小部分会产生所需的半赫斯勒排列。Gzyl需要确定正确的晶体结构，才能计算出决定给定热电材料理论效率的属性。
　　通过开发两种计算机算法，他能够筛选出超过300，000种模拟可能性，并将该领域缩小到仅103个候选者。他说，这导致了一份新的半赫斯勒化合物的清单，以及一种在几秒钟内确定它们正确排列的方法。该知识可用于计算特定化合物的热电特性，以确定它们是否是原型设备的良好候选者，从而节省大量时间和资源。