人工智能算法被用来寻找工程材料

想象一下，作为一名工程师，你解决了一个由来已久的挑战，但有一个问题:你缺乏完成这项任务的完美材料，而且你不确定这种材料是否存在。即使是这样，可能的候选人也会有几千甚至几百万。

斯坦福大学材料科学与工程副教授Evan Reed和两名研究生Austin Sendek和Gowoon Cheon找到了解决方案。三人开发了人工智能算法，可以帮助工程师找到用于重要应用的完美材料。

“这些算法就像材料的搜索引擎，”里德说。

在最近的三篇论文中，Reed、Sendek和Cheon描述了他们如何使用机器学习(一种可以自我学习的计算系统)来分析数千种材料的物理和化学特性。机器学习系统创建算法，梳理这些材料，找到那些在数学上符合手头任务要求的材料。实验科学家可以利用这些计算机生成的直觉来创造和测试现实世界条件下的材料。这比过去的偶然性方法要快得多。

在Reed的论文中，他探索了一类被称为金属有机框架(mof)的材料。mof是一种结构坚固、纳米级多孔且制造成本低廉的晶体。到目前为止，它们已被用于捕获固体材料孔隙中的氢和碳气体。但研究人员已经对将mof用于燃料电池和热电设备产生了兴趣，而这些新用途将需要导电性。不幸的是，很少有已知的mof是导电的。

里德从近3000种金属有机框架中筛选出6种最佳候选材料。他的团队通过使用标准计算方法的详细计算证实了这些材料的导电性。这为实验家提供了一种新的MOF可能性。

寻找固态电池的机器学习

Sendek的论文描述了为固态锂离子(Li-Ion)电池寻找更安全的锂基固体材料的努力。这是商用液态电解质锂离子电池的替代品，后者曾导致一些智能手机和电动汽车起火。

几十年来，对固体锂离子电解质材料的研究主要是在试错的基础上进行的。Sendek使用一种基于机器学习的方法调查了12,000种可能的候选材料，并确定了21种可能表现出固体电解质许多重要特性的材料，包括高锂离子导电性。经过一年的评估，他发现21种材料中有10种表现出机器学习模型在模拟中预测的电导率值。这比过去直觉引导的猜测和检查搜索的成功率要高得多。

事实上，Sendek把搜索变成了一场竞赛。他将自己的算法与一个由六名博士生组成的团队进行了较量，后者对快速锂离子导体进行了类似的寻找。

他的模型被证明是人类团队的两倍，速度是人类团队的一千多倍。

“我把我们的方法比作材料的面部识别软件，”森德克说。

预测二维材料的存在

Cheon的论文描述了使用机器学习来预测二维材料的存在——这种物质非常薄，其厚度可以用原子层来测量。石墨烯是石墨的原子层，是第一个发现的二维材料。2004年发现它的科学家们因揭示了它惊人的特性而分享了2010年诺贝尔物理学奖。电子研究人员希望使用二维材料来制造原子级薄的电路和器件。然而，目前只发现了几十种化合物。

Cheon使用了一种基于物理的机器学习模型，研究了1600万种化合物，以预测哪些化合物可能会被剥离成二维层。她的模型为这个领域增加了一千多名候选人。Cheon说，大多数材料从未被合成过，这为实验家们提供了寻找超薄材料的路线图。

人工智能和机器学习受益

里德说，这个过程是有用的，因为很少有材料被测量、探测和测试过，更不用说在数据库中编目了。机器学习可以加快发现过程。

这个过程很复杂，但逻辑很简单:分子和晶体结构具有物理和化学性质。计算系统擅长数学分析并能表达这些特性。

里德说:“尽管我们缺乏大多数材料的实验室测试数据，但我们仍然可以通过计算来预测它们可能的特性。”

- CFE Media编辑。查看更多控制工程信息管理故事。

您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。