来源：材料人
原标题：华中科技大学电气学院先进电工材料中心Advanced Intelligent System封面论文：人工智能助力新材料设计与开发
【背景介绍】近年来，大量的训练数据、高性能的计算能力和先进的深度学习算法促进了人工智能AI的广泛应用，在材料研究当中也是如此。传统耗时耗能的试错法很难满足当代材料研发的需求，而材料数据库积累的大量实验和计算数据却很少得到开发。开发自主性机器人，建立分布式网络空间数据架构，构建储能材料高通量精准设计，将会实现储能领域上下游产业链的数据共享和价值优化。因此，人工智能，尤其是机器学习，将会在材料研发效率、准确性和广域性等方面发挥重要作用。
【成果简介】为了更好地了解AI在先进材料开发中的最新进展并解决面临的挑战，近日华中科技大学电气科学与工程学院程时杰院士、曹元成教授（通讯作者）、计算机学院路松峰教授、材料学院郭新教授合作，就目前AI辅助材料基因组的最新进展进行了分析和概括，重点总结了人工智能在材料创新中的应用，包括材料设计、性能预测、和合成(图1)。最后，从硬件和软件两个方面阐述了未来人工智能在新型材料设计、合成及工程化领域的发展方向。
文章以封面形式发表在《Advanced Intelligent Systems》-Wiley. 第一作者沙武鑫，华中科技大学计算机学院/电气学院交叉创新博士研究生。
【图文简介】图1. AI辅助的材料科学与工程概念图
AI与传统理论计算最大的不同，就是AI神经网络可以通过对材料数据库的主动、深度学习获得经验知识，从而根据结构组分预测新材料的性质，规划化学合成路径，提高图谱表征的质量及效率，对满足要求的材料进行全谱搜索，基于多层次神经网络建立全新的材料基因组构效关系，从而大大提高材料研发的效率和自动化程度。
图2. 在预测电解质电导率中，传统DFT计算与机器学习方法的对比
AI可以提高模拟计算的效率和精度。传统密度泛函计算（DFT）使用原子组成和晶体结构求解电子结构，从而计算电导率等物理性质，该过程不需要样本的实验值，而机器学习中的监督学习需要这些实验值作为标记数据，和对应的组分结构共同组成训练集，使模型学习到性质和组分结构之间的对应关系。当有新材料出现时，模型可以对其电导率进行预测。
图3.蒙特卡洛树搜索与神经网络结合规划化学合成的原理示意图
AI可以辅助规划化学合成路线。例如在有机逆向合成中，蒙特卡洛树搜索通过选择、扩展、推广、更新四个阶段的迭代，搜索出可行的合成路线（图3a）。其中的扩展阶段，通过策略网络和符号系统的共同筛选，探索出相应的前体B和C（图3b）。
图4. 利用卷积神经网络进行材料缺陷自动检测的流程图
AI可以提升图谱表征的质量和效率。例如在微观缺陷检测中，可以将扫描电镜的图像输入到AI模型中，依次通过模块I级联目标检测器、模块II卷积神经网络筛选和模块III局部图像分析。在模块I识别出缺陷位置和边界框后，使用模块II消除误报，最后使用模块III确定缺陷的形状和尺寸。
【总结与展望】总的来说，未来材料信息学的发展需要高通量实验、高通量表征和高通量模拟计算来产生更多客观，全面和真实的数据，这需要基础设施的不断完善，包括集成化物联网环境下的高性能计算集群和更先进的表征合成设备等。另外，机器学习算法也需要提高其解释性，并降低对数据量的需求。随着相关领域数据库的不断完善及算法的不断优化，AI将在储能材料、新型高性能固态电解质以及退役电池回收利用等领域发挥越来越多的作用。
【致谢】该项目得到华中科技大学“学科交叉博士生培养创新团队”建设项目支持，同时得到武汉科技局院士成果转化项目资金支持。论文链接：
https://onlinelibrary.wiley.com/doi/10.1002/aisy.20190014
来源：icailiaoren 材料人
原文链接：https://mp.weixin.qq.com/s?__biz=MjM5ODcyMzk0Mg==&mid=2651065370&idx=4&sn=a53577d1cb0e7659abf697923c802677&chksm=bd36c4138a414d050153f7e5215aafc3911ae3e35fa6fbfc87c1a0884d151b7609f38f09cff2#rd
版权声明：除非特别注明，本站所载内容来源于互联网、微信公众号等公开渠道，不代表本站观点，仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。
电话：（010）86409582
邮箱：kejie@scimall.org.cn
