机器学习研究屡获突破 高通量实验与检测或将大规模兴起

　　仪器信息网讯 大量的实验数据正在产生各类材料的特性。例如，美国国家标准与技术研究院拥有65个数据库，其中一些数据库的测量数量高达67,500个。此外，以能源材料为例，自2010年以来，光是有关电池和太阳能电池的科学论文就发表了超过170多万篇。

　　近年来，机器学习在材料科学研究中得到了广泛的应用。通过利用现有数据库的数据进行机器学习模型训练，许多还没有实验和理论数据的化合物性质可以被预测出来，从而大大加速材料领域的科研发现。

　　机器学习在材料科学中的应用之一是建立结构与性能之间的关系，它试图在材料指纹(包括组成元素的特征、原子结构信息以及这些特征的任何组合)和我们感兴趣的目标属性之间建立预测关系。

　　然而将材料的结构与其功能相联系在一起需要完成极其庞大的工作量。许多材料仍然是经验性地被发现：研究人员一次制作和测试几个样本。在这个过程中，受到人类的偏见影响。研究人员经常关注他们认为有潜力的元素的一些组合。

　　材料基因工程是近年来以加速材料研究和材料探索为主要目标的新理念，其中机器学习的经过训练以找到数据集中的模式的算法，可在短时间内筛选出具有预期特性的新材料，而高通量实验是在海量样品中直接优选新材料、获取实验大数据的基本手段。在高通量实验中，组合制备能够实现系列样品的平行合成，结合结构和性能的高通量表征，大大加速了新材料的发现。

　　“材料基因组计划”的思想内涵在于理性开展材料研发，突破传统材料科学研究中依赖于科学直觉与简单循环试错为特征的“经验寻优”方式，实现科学化的“系统寻优”，革新材料科学的研究模式，促进材料科学研究的创新。通过融合高通量计算、高通量实验、材料数据库三大关键技术，变革材料研发的理念和模式，从而提高先进材料的研发效率，缩短其从发现到应用的周期，大幅降低研发成本,将材料从发现、制造到应用的的周期和成本大幅缩短。

　　其中，以高通量实验技术引领的新型实验方式有望逐渐代替传统实验流程，通过批量制备、表征及筛选等方式，快速获得大量数据并建立数据库，进而运用机器学习和数据挖掘等技术预测材料组分-微纳结构-制备方法-目标性能之间的关系，缩小实验范围，最终获得目标结果。作为“材料基因组计划”的重要组成部分，高通量实验既能够已经成功运用在多种材料的研发中，可大幅度降低新材料从研发到实际应用的周期，有望成为未来新材料创新和产业化的有力工具。

　　参考资料

　　新方向 使用机器学习来寻找能源材料!

　　高通量实验革新材料研发，助力材料基因组计划

　　进展 | 用材料基因工程方法发现高温非晶合金

　　新材料学院在机器学习加速发现新型材料方面取得进展