深度學習算法可加快新興科技行業的材料發現

固態無機材料對于電動汽車，手機，筆記本電腦電池和太陽能技術的發展至關重要。然而，為這些行業尋找具有所需功能的理想材料極具挑戰性。南卡羅來納大學計算機科學副教授胡建軍是產生新假設材料的項目的首席研究員。

由于巨大的化學設計空間和高度稀疏的候選物，因此不能將實驗試驗和第一性原理計算模擬用作解決此問題的篩選工具。取而代之的是，研究人員開發了一種基于深度學習的智能算法，該算法使用一種稱為生成對抗網絡(GAN)模型的技術，可以將材料搜索效率顯著提高兩個數量級。它有可能極大地加快新型功能材料的發現。

這項工作發表在《NPJ計算材料》上，是南卡羅來納大學工程與計算機學院的研究人員與貴州大學(位于中國貴陽的研究型大學)的研究人員之間的合作。

受到Google AlphaGo中使用的深度學習技術的啟發，該技術學習了棋盤游戲Go的內在規則，以擊敗游戲的頂級玩家，研究人員使用其GAN神經網絡學習了不同元素中原子的內隱化學組成規則，從而組裝出了有效的化學成分。公式。通過使用存儲在ICSD和OQMD等數據庫中的成千上萬種已知的無機材料訓練他們的深度學習模型，他們創建了一個生成型機器學習模型，該模型能夠生成數百萬種新的假設的無機材料公式。

胡建軍說：“幾乎可以存在無限數量的新材料，但尚未被發現。” “我們的算法就像一個生成引擎。使用此模型，我們可以生成很多新的假設材料，這些材料很可能存在。”

基于深度學習的智能算法無需明確建模或強制執行諸如電荷中性和電負性之類的化學約束，便學會了在生成數百萬種假設材料的公式時遵守這些規則。該算法的預測能力已被已知材料和材料發現文獻中的最新發現所證實。“我們算法的一個主要優點是高有效性，唯一性和新穎性，這是此類生成模型的三個主要評估指標，”參與這項研究的貴州大學教授李少波說。

這不是第一次為材料發現創建算法。過去的算法還能夠生產數百萬種潛在的新材料。但是，這些算法發現的材料很少，因為它們具有很高的自由能和不穩定性，所以可以合成。相比之下，胡錦濤研究小組發現的無機材料中，將近70%非常穩定且可以合成。

參與該研究的UofSC機械工程副教授Ming Ming說：“通過將元素的符號放在一起可以得到任意數量的公式組合。但這并不意味著物理學可以存在。” “因此，我們的算法和下一步(結構預測算法)將通過創建可合成的化合物顯著提高篩選新功能材料的速度。”

這些新材料將幫助電動汽車，綠色能源，太陽能和手機開發等領域的研究人員不斷尋找具有優化功能的新材料。當前的材料發現過程如此緩慢，這些行業的增長受到了可用材料的限制。

該團隊的下一個主要步驟是預測所生成配方的晶體結構，這是當前的主要挑戰。但是，該團隊已經與幾個領先的國際團隊一起開始應對這一挑戰。解決后，可以將這兩個步驟結合起來，以發現許多潛在的材料，用于能量轉換，存儲和其他應用。