AI助力材料设计

SMART 研究人员的算法可以根据特定应用所需的特性来识别材料

材料科学中最大的挑战之一是如何创建具有一组特定特征和属性的化合物，以适应特定应用或用例。典型的方法是通过材料特性数据库筛选材料。但即使使用高性能计算 (HPC)，必要计算的计算成本也很高。

现在，一组科学家提出了一种更有效的“材料勘探”方法，他们称之为“通用逆向设计”。他们开创了一种新的机器学习模型，能够根据人类定义的特性设计各种元素和结构的材料。

研究人员开发的算法对材料数据库中的 50,000 多种化合物进行训练，然后学习并概括化学、结构和性质之间的复杂关系，以预测具有用户目标特征的新型化合物或材料。该算法通过目标形成能量、带隙和热电功率因数预测材料，并通过密度泛函理论模拟验证这些预测，进而证明了合理的准确度。

来自新加坡麻省理工学院研究与技术联盟 (SMART) 的低能耗电子系统 (LEES) 跨学科研究小组 (IRG) 的研究人员，以及麻省理工学院 (MIT) 的合作者，国家新加坡大学（NUS）和南洋理工大学（NTU）在一篇题为《具有目标特性的无机晶体的通用逆向设计的可逆晶体学表示法》（An invertible crystallographic representation for general inverse design of inorganic crystals with targeted properties）的论文中概述了这项工作。

逆向设计（通过输入一组所需的特性并使用优化算法生成预测的解决方案，允许对新材料和化合物进行“逆向工程”）并不是什么新鲜事。作为一种规避与设计越来越小但功能越来越强大的器件相关的挑战的方法，它在光子学领域一直引起人的特别兴趣。

这一突破在于，SMART研究人员如何将这项技术向前推进了一步，发现了一种可行的“通用”逆向设计方法，其中逆向设计能力不仅限于一组特定的元素或晶体结构，而且能够访问多种元素和晶体结构。

在研究中，该团队展示了一个用于无机晶体的通用（成分和结构变化）逆向设计的框架，称为 FTCP（傅立叶变换晶体特性），该框架允许通过采样、解码和后处理对具有用户指定特性的晶体进行逆向设计。更令人振奋的是，研究人员表明 FTCP 能够设计出与已知结构不同的新晶体材料——这是一项重大进展。

“对于材料研究领域来说，这是一个令人难以置信的激动人心的发展。材料科学研究人员现在拥有一种有效且全面的工具，使他们能够通过简单地输入所需的特性来发现和创造新的化合物和材料，”LEES 首席研究员兼麻省理工学院机械工程教授 Tonio Buonassisi 说。

新加坡国立大学研究生、论文的共同第一作者 S. Isaac P. Tian 补充道：“在此旅程的下一步中，一个重要的里程碑将是改进算法，以便能够更好地预测稳定性和可制造性。 SMART 团队目前正在与新加坡和全球的合作者共同应对这些令人兴奋的挑战。”

LEES 的主要作者兼博士后助理 Zekun Ren 说：“长期以来，材料科学研究人员一直关注的是寻找更有效的方法来创建具有用户定义特性的材料或化合物。我们的工作展示了一种可行的解决方案，它超越了专门的逆向设计，使研究人员能够探索具有不同成分和结构的潜在材料，从而能够创造出更广泛的化合物。这是一个成功的通用逆向设计的开创性例子，我们希望在这一成功的基础上再接再厉。”

该研究由 SMART 进行，并由新加坡国家研究基金会 (NRF) 根据其卓越研究和技术企业校园 (create) 计划提供支持。

参考文献

'An invertible crystallographic representation for general inverse design of inorganic crystals with targeted properties' by Zekun Ren et al; Matter Volume 5, Issue 1, 5 January 2022