重磅 | 机器学习首次成功预测 金属间化合物缺陷

劳伦斯伯克利国家实验室的研究人员利用机器学习算法以高精度地预测了某些金属间化合物的缺陷行为。这种方法将加速用于汽车到航空航天等领域的新型先进合金和轻质新材料的研究。

他们的研究成果最近发表在《NatureComputational Materials》上。材料往往是不纯的并且具有缺陷，而这些缺陷对材料的性能具有重要的影响。这些缺陷可能是晶体结构中的空位，或者是错误地放置在晶体格点上的反位缺陷。理解这些缺陷对材料的设计是至关重要的，这些缺陷对材料长期的结构稳定性和强度具有显著的影响。

传统密度泛函理论方法

传统上，研究人员使用计算量子力学的方法——密度泛函理论，去预测在特定的结构中可能存在的缺陷，以及这些缺陷怎样影响材料性能。尽管这种方法非常有效，但是计算成本太高，限制了该方法的运用。

前伯克利实验室博士后Bharat Medasani和该论文的第一作者说:“如果你对一个小单元建模，密度泛函计算能很好地工作，但是如果你要对稍大一点的单元建模，计算能力将大大增加。对单一材料中的点缺陷建模计算成本如此之高，对于成千上万种材料这样建模更是不切实际。”

梯度提升森林破解 B2晶体结构

为了克服计算挑战，BharatMedasani和他的同事训练了一套机器学习算法去预测金属间化合物中的点缺陷，该算法的主要关注的是B2晶体结构。最初，他们从材料项目的数据库中选择了100个B2化合物的样本，然后利用国家能源研究科学计算中心的超级计算机进行密度泛函计算来找出这些材料的点缺陷。

BharatMedasani团队利用已有的小数据样本，使用所谓的梯度提升森林的方法去构建他们的机器学习模型，并取得了很高的精度。在这种方法中，研究人员也连续构建其它的机器学习模型，并与先前的模型组合，以最小化机器学习模型预测值与有密度泛函计算值得差异，研究人员重复这一过程，直到实现了很高的准确率为止。

太平洋西北国家实验室博士后研究员Medasani表示，这项工作主要是一个概念论证:它表明我们可以先对几百种材料进行密度泛函计算，然后训练机器学习算法来预测更大范围材料之中的点缺陷。

取缔旧方法 提供开源包

伯克利实验室计算科学家Andrew Canning说:“这项工作的所带来的好处就是让我们利用计算成本不太高的机器学习来快速并且准确地预测新型金属间化合物的点缺陷，我们不再需要运行计算成本昂贵的第一性原理去计算找出每种新型金属化合物的缺陷属性。”

Berkeley实验室科学家和材料项目总监Kristin Persson说：“机器学习使我们能够更快，更稳定地预测金属缺陷，这反过来加速了材料设计。”该材料项目旨在通过利用互联网上的公开计算信息来大幅度减少预测和开发新材料的时间。另外，该项工作另一成果是：提供了对已开发的半导体和绝缘体材料中点缺陷建模的开源Python工具包。

❈

全球人工智能近期经典文章推荐

❈