(资料图)
日常生活迫切需要先进材料，无论是在高科技、交通、基础设施、绿色能源还是医学领域。然而，由于化学成分、结构和目标特性的复杂性，发现和探索新材料的传统方法受到限制。此外，新材料不仅应该能够实现新的应用，还应该包括可持续的生产、使用和回收方式。马克斯普朗克研究所 (MPIE) 的研究人员回顾了基于物理的建模的现状，并讨论了将这些方法与人工智能相结合如何为复杂材料的设计开辟迄今为止尚未开发的空间。他们在《自然计算科学》杂志上发表了他们的观点。
将基于物理的方法与人工智能相结合
为了满足技术和环境挑战的要求，必须考虑越来越苛刻和多方面的材料特性，从而使合金在成分、合成、加工和回收方面更加复杂。这些参数的变化会导致其微观结构发生变化，从而直接影响材料性能。需要了解这种复杂性才能预测材料的结构和特性。计算材料设计方法在这里起着至关重要的作用。“我们设计新材料的方法如今完全依赖于基于物理的模拟和实验。当涉及到高维相平衡的定量预测时，特别是对于由此产生的非平衡微观结构和性能，这种方法可能会遇到某些限制。而且，许多与微观结构和性能相关的模型使用简化的近似值并依赖于大量变量。然而，问题仍然是这些自由度是否以及如何仍然能够涵盖材料的复杂性”，MPIE 主任兼该出版物的第一作者 Dierk Raabe 教授解释道。该论文将基于物理的模拟(如分子动力学和从头算模拟)与基于描述符的建模和高级人工智能方法进行了比较。虽然基于物理的模拟通常成本太高而无法预测具有复杂成分的材料，但使用人工智能 (AI) 有几个优势。“人工智能能够从电子、
使用大数据集增强机器学习
由于人工智能的预测能力取决于大数据集的可用性，因此需要克服这一障碍的方法。一种可能性是使用主动学习周期，其中机器学习模型最初是用标记数据的小子集进行训练的。然后，该模型的预测由标记单元筛选，该标记单元将高质量数据反馈回标记记录池，然后再次运行机器学习模型。这种循序渐进的方法会产生可用于准确预测的最终高质量数据集。
人工智能在材料科学中的应用仍有许多悬而未决的问题：如何处理稀疏和嘈杂的数据?如何考虑有趣的异常值或“格格不入”?如何从合成或回收中实施不需要的元素入侵?然而，在设计成分复杂的合金方面，人工智能将在不久的将来发挥更重要的作用，尤其是随着算法的发展，以及高质量材料数据集和高性能计算资源的可用性。
该研究得到了马克斯·普朗克协会 BigMax 网络的支持。
标签：
