Machinelearning in materials informatics: recent applications

and prospects

Rampi Ramprasad,Rohit Batra, Ghanshyam Pilania, et, al

npj ComputationalMaterials (2017) 3:54

doi:10.1038/s41524-017-0056-5

得益于材料基因组计划、算法开发和其它领域中数据驱动的取得的成功，信息学方法在材料科学中逐步成型。这些方法使机器学习模型能够基于过去的数据进行快速预测，而不是直接实验或通过基本方程显示求解的计算/模拟。以数据为中心的信息学方法（可靠的已经存在的数据或者可以为临界情况下的一个子集）对于确定使用传统方法（涉及成本、时间或效率因素）难以测量或计算的材料属性是有用的。预测通常是插值的，首先涉及材料数字“指纹”，然后在“指纹”和感兴趣的属性之间绘制图形（通过学习算法建立）。“指纹”，通常指的是“描述符”，可能具有多种类型和规模，由应用和需求领域决定。预测也可以外推延伸到新材料领域，并适当地考虑预测不确定性。本文试图提供一些在过去十年中取得成功的数据驱动的“材料信息学”策略的概述，特别强调指纹或描述符的选择，同时还提出目前面临的一些挑战和在不久的将来应该克服的挑战。

图1：数据驱动的科学和工程的一些经典历史实例

图2：材料科学中机器学习的关键要素。（a）示例性数据集的示意图；（b）学习问题描述；（c）通过指纹和学习步骤创建代理预测模型，n和m分别是训练实例的数目和指纹（或描述符、特征）分量的数目。

图3：建立绝缘子本征击穿场强预测的唯象模型。（a）期望与本征击穿场相关的主要特征；（b）利用LASSO建立复合特征、向下选择临界复合特征子集的预测模型；（c）二进制八位字节数据集的最终唯象模型性能 vs DFT计算；（d）新型抗击穿钙钛矿型材料识别模型的应用。

图4：利用片段级指纹研究聚合物性质。（a）可用于有机分子、晶体或聚合物的典型片段；（b）有机聚合物指纹图谱构建；（c）核岭回归（KRR）方案的示意图，展示出了指纹（F）空间中的示例情况；（d）代理机器学习（ML）模型预测与关键介电聚合物性能的DFT结果；（e）聚合物基因组在线预测技术在聚合物性能预测中的应用。

图5 从精细级指纹中学习。（a）Behler和同事采用亚原子级原子环境指纹图谱方案的示意图；（b）机器学习力场构建的典型工作流程示意图；（c）利用原子力学习框架AGNI和嵌入原子方法（EAM）预测块体铝中的位错附近的原子力，并与相应的DFT结果的比较；（d）用SOAP指纹框架对SI原子环境进行分类降维的示意图。

图6：（a）通过不确定性量化实现平衡探索和开发的自适应设计示意图；（b）在多保真度学习设置中使用的示例数据集，包括在不同级别的保真度获得的目标属性和多保真学习问题的陈述。