文

/

陳根

人工智慧、大資料、量子力學以及超級計算的結合，加深了

人

們對材料的理解，並且使

人

們不再只是依賴人類直覺去發現新材料。

事實上，過往的

重大材料的發現都是科學家偶然間或者多次試驗得到的

。例如，人們觀察到用硫等新增劑加熱可以提高橡膠的耐用性，於是在

19

世紀從其混合物中製造了硫化橡膠。但這種方法偶然性很大，可能花費數年。

還有一種量子化學方法，

即

用薛定諤方程式精確求解

，透過確定原子核及其三維（

3D

）座標位置的基本引數之後，揭示出分系的性質。但實際過程中，這個計算過程非常複雜。

如何找到符合條件的分子，是近年來材料科學家不懈努力的方向。

在這個過程中，利用機器學習尋找材料和設計材料則為材料設計提供了新的思路。

近日，

麻省理工學院核科學與工程系

Norman C。 Rasmussen

副教授

以及其他相關研究人員就

開發

出了

一種新的方法，涉及一種新的機器學習方法，這將使其更快、更容易識別具有熱能儲存和其他用途的有利特性的材料

，

以此迴應

2020

年

9

月發表在《自然

-

能源》雜誌

的一個

“

大挑戰

”

——

為熱能儲存裝置尋找合適的材料，這些材料可以與太陽能系統協同使用

。

具體來說，

材料科學的一個核心挑戰是

“

建立結構與效能的關係

”

——

弄清楚具有特定原子結構的材料將具有的特性。

研究

團隊

就

特別關注

了

使用結構知識來預測

“

聲子態密度

”

，這對熱效能有關鍵影響。

“

聲子態密度

”

只是在一個特定的頻率或能量範圍內發現的振動模式或聲子的數量。

知道了

“

聲子態密度

”

，人們就可以確定一種材料的載熱能力以及它的熱導率，

這與熱量如何容易地透過一種材料有關，甚至可以確定超導體的超導轉變溫度

。

如果

人們

想計算聲子態密度，最準確的方法是依靠密度泛函微擾理論（

DFPT

），但是這些計算的規模是晶體基本構件中原子數量的四階，這可能需要在一個

CPU

叢集上花費數天的計算時間。對於包含兩種或更多元素的合金，計算變得更加困難，可能需要數週甚至更長時間。

但此次開發的

新方法

則

可以將這些計算需求減少到個人電腦上的幾秒鐘

。

研究人員

採用了一種神經網路方法，利用人工智慧演算法，使計算機能夠從例項中學習。這個想法是向神經網路提供足夠的關於材料的原子結構及其相關的聲子態密度的資料，使網路能夠分辨出連線這兩者的關鍵模式。在以這種方式進行

“

訓練

”

之後，該網路將有望對具有特定原子結構的物質進行可靠的狀態密度預測。

可以說，這幾乎是一種革命性方法，其研究結果也已發表至

《先進科學》

上。