这篇文章在Joule出版后，引来了1个多亿的项目研发投资
关于Joule期刊，相信能源领域的朋友已经很熟悉。这本CellPress旗下的新锐期刊，从出生之日起就受到众多大佬的青睐。各大自媒体也将其列入每日素材的“必须搜索”范围，因为其出版的研究成果不仅仅限于新颖、前沿，且更注重技术在未来的应用潜力。2018年6月12日，Joule出版了一篇名为“Accelerating Materials Development via Automation, Machine Learning, and High-Performance Computing”的文章，通讯作者是美国麻省理工学院的Tonio Buonassisi。令作者振奋的是，这项工作受到了新加坡的重视，并在随后给予了1800万美元（约合1.03亿人民币）的项目研发投资，让作者团队继续通过自动化，机器学习和高性能计算加速材料开发。这篇文章具体讲了什么，让新加坡这么感兴趣？
我们先了解一下开展这项研究的相关背景：
材料创新可以改变社会。然而较长的时间周期和较低的成功率，阻碍了技术向生产力的转化。长期以来，新材料的发展受限于时间周期不匹配的问题（如图1）。材料开发通常发生在15至25年的时间范围内，有时需要合成和表征数百万个样品。然而，企业和政府投资者希望能在任期内（通常为2至5年）获得切实的结果。博士后和研究生的在读时间通常为2-5年。当项目周期比单个人的在职时间长时，发展方向和知识产权等问题往往不能无缝交接。在商业竞争和环境因素的影响下，新材料开发的市场往往需要在更短的时间周期。相比于医疗或软件开发，这种时间周期的不匹配导致了能源材料的投资回报率更低。
图1. 材料发现和开发的时间表
为了弥补这些不足，提高材料研究的成功率，降低材料研发周期，公共和私营部门都在努力探索新材料加速研发的方式。美国材料基因组计划聚焦在3个方面：能筛选最有希望实验方向的计算工具，汇总学习和识别材料的发展趋势的数据存储库，以及更高生产力的实验工具。与此同时，许多大学及研究者都专注于设计和开发仿真逆向设计，发展材料属性数据库。目前，这些方向的工具及方案日趋成熟，材料预测的量远超过纯实验人员筛选材料的能力。
图2：清洁能源材料开发和医疗、软件行业相比投资回报率更低
如今，新兴技术如自动化，机器学习和高性能计算机的结合可以加快研究速度，缩短转化周期，提高投资回报率。材料领域可以从三个方面加速开发：首先，高性能模拟计算筛选材料，并帮助发明未知新材料。其次，自动化可加快重复性任务，并减少人为错误。再者，机器学习连接前两者，有助于我们从复杂的数据集中获得更深层的意义。它可以帮助我们评估权衡，诊断根本原因，并减少我们花在错误路线上的时间。
图3：材料领域的Google: Materials Project
（图片来源：https://www.materialsproject.org/）
今天，理论预测的速度远远超过了实验论文，特征描述和验证的速度。这表现了三个趋势：更快的计算，更高效和准确的理论方法和模拟工具，以及具有快速筛选能力的大型数据库，如Materials Project。为了更好地集中有限的实验计算资源，人们越来越关注模拟合成的范式，而不仅仅是对计算机模型中复杂的环境因素（例如，湿度），反应能量势垒，动力学限制等感兴趣。理论研究者寻求具有各种材料特性的合理设计：首先，通过在一个模拟框架和/或数据库中预测属性（例如，化学成分，微结构，界面，表面）的组合，然后将材料预测与设备性能和可靠性预测相关联，最后将该框架扩展到已知和未知化合物，最终解决问题。
图4：加速材料发现过程的示意图
这篇文章核心内容讲了什么？
最近，该团队发现了一种新的实验材料的研究范式能够更快地发现新材料。图4展示了一个名为“加速材料开发和制造”的理想模型。通过机器学习能够快速，自动化的引导反馈回路，强调通过最终产品和产业转化创造价值。由机器学习驱动的自动反馈回路推动了流程改进。而理论、总结和设备流程又依托于高性能计算和材料数据库。对于当今的许多材料系统，约10倍的提速是弥补实际和期望材料开发时间线所必需的最小值。
1、高通量材料，器件和系统合成
以气相沉积合成举例。一直以来，基于慢真空的沉积方法抑制了材料的发展。现代真空工具，包括组合方法和大规模快速连续沉积/反应，可以实现材料和器件合成的有意义的速率增加。现有沉积法的变体（例如，近空间升华法）提供更高的增长率，点缺陷控制，以及与工艺兼容材料的精确化学计量和杂质控制。随着更高质量的前驱体和材料的出现，包括CdS量子点，聚合物太阳能电池和卤化铅钙钛矿，溶液合成法已经获得认可。前驱体（从分子到纳米粒子），合成方法（包括溶剂法）和薄膜合成方法（基于实验室的旋涂到工业兼容的大面积印刷）不断增长的多样性使得形成了一个强大而灵活的平台来沉积各种新材料。3D打印材料的出现提供了另一种替代方案。在实验室规模上，这种快速合成路线的通量可以比基于真空的技术高出一个数量级，并且对于具有新型微结构的多种材料仍可以探索。随着组件成本的下降和更多标准的采用，现在出现了以模块化和灵活的方式将分立设备快速组合到组件和系统中的能力。
2、缺陷耐受性和工程
图5：基于光伏应用的材料快速发展案例研究（A）CdTe和钙钛矿太阳能电池随时间提升的功率转换效率（PCE）。（B）测量的J-V扫描的数量除以在CdTe和钙钛矿太阳能电池的器件开发时间的百分比增加量。与传统的薄膜太阳能电池材料相比，每个百分比效率提高需要三个数量级的J-Vsweep，以提高钙钛矿效率。我们假设这种差异部分是由于钙钛矿具有更大的“缺陷耐受性”，从而能够实现更快，更经济的材料开发过程。（来自Correa-Baena等人的数据）
通常，对“理想”材料系统进行理论预测。然而，真实样品含有可能造成伤害的缺陷（例如，杂质，结构缺陷）或偶然，有益的体相和界面属性。为了降低高通量材料筛选过程中缺陷引起的较小的影响，需要识别不太受缺陷影响的材料类别（即所谓的“缺陷耐受性”）并快速诊断和去除缺陷对材料性能的影响。最近的一个值得注意的例子是偶然发现用于光电子应用的卤化铅-钙钛矿除了适合高通量液相沉积外，还需要少量的研究改进才能达到传统无机薄膜材料类似的性能（如图5）。这被怀疑是改善性能的措施中一方面是因为卤化铅-钙钛矿的缺陷耐受性增加，提高了体相传输性能。确定缺陷耐受性的基本物理和开发设计规则可以为新材料的筛选标准提供信息，特别是使用新的计算工具，例如在异常检测中最先进的通用对抗网络。下一步是将实验工作集中在能够在早期筛选和开发过程中快速提高性能的候选材料，以及制造中具有更大耐受性的工艺。在缺陷和杂质有益的方面，最近的理论进展，可以与计算工具组合，以快速评估和预测缺陷的溶解度和电性能。高通量筛选材料，能够应用于缺陷和掺杂材料（例如，热电材料，透明电子器件）。
3、高通量诊断
表征工具也受益于高性能计算，自动化和机器学习。例如，20世纪70年代，一个高分辨率的X射线光电子能谱可能需要一整天的时间来使用，而今天测量相同的材料需要不到一个小时。今天，先进的统计学和机器学习有望进一步提高学习速度。现在存在的工具可以在单个样本上获得多个XPS光谱（例如，具有成分梯度），以及自动分析大量光谱数据，从而在组合谱中估算未知材料。另一些人则寻求更快速无损的检测手段，通过贝叶斯推理结合非破坏性设备测试，可以同时测试几个体相和界面属性，使诊断速度比传统的快10倍。
4、机器学习
机器学习包括一系列广泛的方法，这些方法可能在未来的材料开发周期中扮演几种不同的角色。首先，一个共同的用途是材料选择。其中以往实验观察用于预测未知化合物的未知属性或发现新化合物的方法已经被实现在太阳能电池的新型有源层，发光二极管和金属合金等方面。其次，机器学习工具可以帮助从诊断中提取更多更准确的信息。第三，机器学习工具可以帮助关闭诊断和总结之间的自动化循环（如图4），降低认为干预程度对启发式的依赖。
图6：机器学习方面的实用资源
最后总结一下
高性能计算，自动化和机器学习的融合有望加速材料发现的速度，更好地调整投资者和利益相关者的时间周期。这些新工具将成为材料科学中不可或缺的工具。在不久的将来，（半）自动反馈回路中的合成，器件制造和诊断速度可以快十倍以上。在最新的理论进展，高通量材料合成（以及组件，设备和系统），诊断，缺陷和缺陷耐受度的理解方面，机器学习方法正在帮助我们实现转变进步。这种转变，需要进一步投资基础设施和人力资本，以充分实现这一未来，包括更加重视现有方法对材料相关问题的适当应用，采用数据和元数据标准，数据管理工具和实验室基础设施，包括分散和集中设施。随着材料领域从思考“数据贫乏”转变为思考“数据丰富”，我们需要时间来发展提升奖励机制，社区支持，教育和技能提升以及研究人员的思维模式。
“我们设想了一个科学实验室，在这个实验室中，材料发现过程不会中断，辅以计算能力，增强人类思维。释放后者，使研究更接近想象速度，解决与市场相关的时间框架中的社会挑战。”——Joule, 2018
Juan-Pablo Correa-Baena, Kedar Hippalgaonkar, Jeroen van Duren, Shaffiq Jaffer, Vijay R. Chandrasekhar, Vladan Stevanovic, Cyrus Wadia, Supratik Guha, and Tonio Buonassisi, Accelerating Materials Development via Automation, Machine Learning, and High-Performance Computing, Joule, 2018, doi: 10.1016/j.joule.2018.05.009