新材料的发现是一种艰难的工作。当搜索特定应用中可能出现的新材料的理论列表时，比如电池或其他与能源相关的设备，通常有数百万种可能的材料需要考虑，而且需要同时满足和优化多个标准。
现在，麻省理工学院的研究人员发现了一种利用机器学习系统极大地简化发现过程的方法。
作为演示，该团队从近300万种候选材料中选出了八种最有前途的材料，用于一种名为“流动电池”的储能系统。
他们说，按照传统的分析方法，这种筛选过程需要50年的时间，但他们只用了5周就完成了。
这项研究结果发表在《美国化学学会中心科学》( ACS Central Science)杂志上，由麻省理工学院化学工程教授Heather Kulik，Jon Paul Janet，Sahasrajit Ramesh和研究生Chenru Duan共同撰写的一篇论文中。
这项研究观察了一组被称为过渡金属配合物的材料。
它们可以以大量不同的形式存在，Kulik说，它们是“非常迷人的功能性材料，不同于许多其他物质相。理解它们为何如此运作的唯一方法就是用量子力学来研究它们。”
要预测这数百万种材料中的任何一种的性质，要么需要耗时且资源密集的光谱学和其他实验室工作，要么需要耗时且高度复杂的基于物理的计算机建模，以便对每一种可能的候选材料或材料组合进行建模。
每一项这样的研究可能要花费数小时到数天的工作时间。
相反，Kulik和她的团队选取了少量不同的可能材料，并利用它们来教授一种先进的机器学习神经网络，了解材料的化学成分与其物理性质之间的关系。然后，他们将这些知识应用于生成下一代可能用于下一轮神经网络训练的材料的建议。
通过这一过程的连续四次迭代，神经网络每次都有显著的改进，直到达到一个临界点，即进一步的迭代不会产生任何进一步的改进。
这个迭代优化系统极大地简化了获得满足两个相互冲突的标准的潜在解决方案的过程。
这种情况下寻找最佳解决方案的过程被称为帕累托前沿(Pareto front)，在这种情况下，改善一个因素往往会使另一个因素变得更糟。帕累托前沿表示的是一个理想状态，就是不可能再有更多的帕累托改进的余地。
这代表了可能的最佳折衷点，这取决于分配给每个因素的相对重要性。
训练典型的神经网络需要非常大的数据集，范围从数千到数百万的例子，但是Kulik和她的团队能够使用这个基于Pareto front模型的迭代过程来简化这个过程，并且只使用几百个样本就可以提供可靠的结果。
在筛选流动电池材料的情况下，所期望的特性是冲突的，这是经常发生的情况:最佳材料将具有高溶解度和高能量密度(为给定重量储存能量的能力)。
但是增加溶解度会降低能量密度，反之亦然。
神经网络不仅能够快速地提出有希望的候选对象，而且还能够在每次迭代中为其不同的预测分配置信水平，这有助于在每一步中对样本选择进行细化。
Kulik说:“我们开发了一种比同类中最好的不确定性量化技术更好的方法，可以真正知道这些模型什么时候会失败。”
他们在概念验证试验中选择的挑战是用于氧化还原流电池的材料，氧化还原流电池是一种有望用于大型电网规模电池的电池，它可以在清洁、可再生能源的发展中发挥重要作用。
Kulik说，过渡金属配合物是制造这种电池的首选材料，但用传统方法进行评估的可能性太多了。
他们一开始列出了300万个这样的复合体，然后最终将其削减到8个好的候选对象，并制定了一套设计规则，使实验人员能够探索这些候选对象的潜力及其变化。
她说，除了建议使用该系统进行进一步研究的特定过渡金属配合物外，该方法本身可能具有更广泛的应用。
“我们认为它是一个框架，可以应用于任何材料设计的挑战，你真的试图同时解决多个目标。你知道，所有最有趣的材料设计挑战都是这样的:你有一件事想要改进，但改进了又会使另一件事变得更糟。
”对我们来说，氧化还原流电池氧化还原耦合只是一个很好的展示，我们认为我们可以继续使用这种机器学习技术，加速新材料的发现。”
例如，为各种化学和工业过程优化催化剂是另一种复杂的材料搜索，Kulik说。
目前使用的催化剂往往含有稀有和昂贵的元素，因此基于丰富和廉价的材料寻找类似有效的化合物可能是一个重大优势。
“这是统计学、应用数学和物理科学概念的完美结合，将在工程应用中非常有用，”西北大学(Northwestern University)化学和化学与生物工程教授George Schatz说，他没有参与这项研究。
他说，这项研究解决了“当有多个目标时如何进行机器学习”的问题。
这项工作得到了海军研究办公室、美国国防部高级研究计划局(DARPA)、美国能源部、Burroughs Wellcome基金和AAAS Mar ion Milligan Mason奖的支持。
原文来源：http://news.mit.edu/2020/neural-networks-optimize-materials-search-0326
