院士观点 | 朱美芳：人工智能助力新材料研发

在过去的几年里，科技领域迎来了重大的变革，其中尤以人工智能的崛起为标志。这项技术应用在日常生活中的方方面面：百度无人驾驶汽车上路、AlphaGo战胜人类、iPhoneX的脸部识别、阿里小米发布的智能音箱、KFC人脸支付等，这些应用的背后都映衬了科技技术的发展动力。
新材料产业是制造强国的基础，是高新技术产业发展的基石和先导，直接关系着我国战略新兴产业的发展。然而，我国新材料产业发展总体仍处于爬坡过坎的关键阶段，关键材料“卡脖子”问题还广泛存在。人工智能技术会为新材料研制带来怎样的改变和价值。首先，我们来看看传统新材料研发目前面临的一些问题。 研发模式耗时长材料进步是技术进步的重要贡献者，但长期以来以人为主的试错研发模式，导致材料研发周期长、费用高，已成为新材料发展面临的最主要问题。新材料从发现到走出实验室再到工程化实际应用，需要较长时间，特别是用于航空航天装备等使用要求较高的产品，至少需要20～30年时间。以树脂基复合材料为例，该材料早在20世纪60年代就被初步开发出来，但直到2000年之后才在波音787的机身主承力部件上大面积应用。在军用装备上应用的材料都是20年的“老”材料，造成了材料发展跟不上装备发展需求的困境。 研究对象复杂，研究倚重于经验积累许多材料问题都很复杂且涉及宏观、微观多个尺寸维度，捕捉相关现象往往需要大量的试验和数据支撑。新材料的开发是一个以人为中心的过程，每一个过程都需要利用个人的知识、耐心和理解能力进行设计、实施、分析并解释试验数据，然后做出决定。 研究方法基于试错原理往复试验，投入应用周期长

由于对材料内在本质的认识不全，传统新材料开发采用基于经验的试错法，是一种在错误的尝试和多次往复试验中不断向正确目标迈进的方法，效率低。受限于人的精力和经验，一个典型研究团队利用传统试错方法一天只能做一到两个试验。材料在试验室仅能完成初步试制，就需10年左右时间，还需20年左右反复试验，才能精确确定工艺和操作参数，满足工程应用的批次性能稳定需求。

人工智能技术已为学术界和产业界带来了显著的推动力。麻省理工学院开发了材料基因组锂电材料数据库，通过人工筛选和机器学习的方式来探索各种材料规律；哈佛大学把太阳能电池的分子材料作为主要的研究重点，通过机器学习来预测模拟物质的实际属性；中国科学院物理研究所锂离子电池研究团队采用Bvpath（键价）和人工智能算法融合，筛选先进电池所用的固态电解质材料以及从电池安全性能出发，结合人工智能技术进行正极材料的筛选和发现；上海大学为响应国家材料基因工程，自主研发Materials Information Platform(MIP)，致力于促进实现《“十三五”国家科技创新规划》提出的新材料“研发周期缩短一半、研发成本降低一半”的战略目标。通用电气公司通过应用高通量实验技术，结合人工智能数据挖掘技术，发现了符合性能要求的高温合金材料；Symyx公司结合高通量实验与人工智能技术开发出了新型化工催化剂；英特尔和三星将人工智能技术与材料大数据融合，用于相变存储合金和高介电材料研究；康宁公司将人工智能技术应用于 PMN-PT 电光陶瓷的发明及光通信元器件产业化。 

本期分享中国科学院院士、东华大学材料科学与工程学院院长、纤维材料改性国家重点实验室主任朱美芳教授刊载在人民日报上的观点：人工智能助力新材料研发。

人工智能的研发方兴未艾。随着其应用领域的不断延伸，其他学科也在与人工智能的结合中获得意想不到的收获，新材料便是其中之一。

目前，国外已有人工智能助力新材料研发的案例报道。英国利物浦大学的科研人员研发了一款机器人，在8天内自主设计化学反应路线，完成了688个实验，找到一种高效催化剂来提高聚合物光催化性能，这项实验若由人工完成将花费数月时间。不久前，日本大阪大学一名教授利用1200种光伏电池材料作为训练数据库，通过机器学习算法研究高分子材料结构和光电感应之间的关系，成功在1分钟内筛选出有潜在应用价值的化合物结构，传统方法则需5—6年时间。 这样的成功应用蕴藏了探索新材料和科技进步的无限可能。本世纪以来，随着高端制造业的进一步完善，新材料围绕功能化、智能化、集成化发展路径，与纳米技术、生物技术、信息技术等新兴产业深度融合，成为科技进步的重要手段。 新材料的研制是基础研究和应用基础研究相互融合促进的过程，往往需要经历化学性质改良和物理加工改进，过程颇为不易。以近年来兴起的智能纤维为例，这种新材料能随外界环境刺激发生体积或形态变化，可用于构筑可穿戴智能设备。对它研发时，首先要了解其刺激响应机理，并建立一个合适的物理模型进行解释；其次要选择合适的材料作为研究对象，运用化学手段改进其功能单元的功能与性质，通过反复实验摸索其刺激响应的条件，并完善结构单元的性能；最后是生产加工，历经纺丝、染整、编织等不同的处理流程，不断进行工艺优化与技术改进。由此可见，新材料研发是一种典型的试错性研发，经历周期往往较长。 为了缩短研发周期，人工智能可以作为一个强有力的辅助工具，借助数据共享，对先进材料的物理化学性质进行预测、筛选，从而加快新材料的合成和生产。过去，材料的设计都是通过理论计算来构建结构和性质的关系。不过，由于原子有很多不同的结合方式，设计一个新的分子结构就如同一个搭积木游戏，拼搭过程中无法预知分子的性质。作为人工智能的一个分支，机器学习算法在辅助新材料设计时尤为“得力”，其工作过程主要包括“描述符”生成、模型构建和验证、材料预测、实验验证4个步骤。所谓“描述符”，就是根据现有数据来描述材料的某些特殊性质，再通过非线性的形式构建训练模型，从而预测新材料性质，这个过程不再依赖物理知识。 人工智能要想和新材料擦出更多的“火花”，仍面临一些挑战。比如，AI算法很难准确预测晶体结构，训练数据的可靠性仍有待理论方法的发展等。为了更好发挥学科交叉融合的乘数效应，除了需要算法不断改进外，理论计算化学的发展、材料性质表征手段的研发也应齐头并进。未来，相信通过各方科学家的努力，新材料的创新成果将会不断涌现。


●  人工智能与新材料产业能擦出什么样的火花？！●  Bernard Marr丨人工智能和云分析的未来趋势
●  Fraunhofer IDMT，基于人工智能技术开发声学质量控制软件
●  ProAcoustics丨保时捷使用人工智能作为新的噪音检测技术●  SAPEM 2023丨材料声学技术全球大会将在中国举办●  预见 · 新静界丨P+M 材料声学特性测试与分析系统2021版本亮相●  预见 · 新静界丨最懂“工程”的阻抗管与传输损耗测试套件 TUBE-X 2021
●  预见 · 新静界丨ETA阻尼测试分析仪高效测量声学阻尼与复合材料（2021）
●  预见 · 新静界丨MATC声学测试舱，全球最佳吸隔声一体化测试与验证系统
免责声明：部分资料来源网络，转载目的在于传递信息及分享，并不意味赞同其观点或其真实性，也不构成其他建议。仅提供交流平台，不为其版权负责。如涉及侵权，请联系我们及时删除。