實現“大海撈針”！這個神經網絡在短短5周內篩選了近300萬種候選新材料

新材料的發現是一項艱巨的任務。在搜索可能出現在特定應用中的新材料（例如電池或其他與能源相關的設備）的理論清單時，通常要考慮數百萬種可能的材料，必須同時滿足和優化多個標準?，F在，麻省理工學院的研究人員已經發現了一種使用機器學習系統的方法，可以大大簡化發現過程。作為演示，該團隊從將近300萬種候選材料中選擇了八種最有前途的材料，用于一種名為“移動電池”的儲能系統。他們說，根據傳統的分析方法，此篩選過程花費了50年，但他們僅用了5周就完成了篩選。這項發現發表在ACS中央科學雜志上，由麻省理工學院化學工程教授Heather Kulik，Jon Paul Janet，Sahasrajit Ramesh和研究生Chenru Duan合著。這項研究研究了一組稱為過渡金屬配合物的材料。

它們可以以多種不同的形式存在，Kulik說，“它們是非常引人入勝的功能材料，與許多其他物理階段不同。了解它們為何起作用的唯一方法是使用量子力學來研究它們?！睌蛋偃f種材料的性質需要費時且資源密集的光譜學和其他實驗室工作，或費時且高度復雜的基于物理的計算機建模才能對每種可能的候選材料或材料組合進行建模。每個此類研究可能需要花費數小時甚至數天的時間。相反，Kulik和她的團隊選擇了少量不同的可能材料。并使用它們來教授高級的機器學習神經網絡，以了解材料的化學成分與其物理性質之間的關系。然后，他們將這些知識應用于建議，以生成可在下一輪神經網絡訓練中使用的下一代材料。通過此過程的四個連續迭代，每次達到臨界點之前，神經網絡都會得到顯著改善，也就是說，進一步的迭代不會產生任何進一步的改善。該迭代優化系統大大簡化了獲得滿足兩個沖突標準的潛在解決方案的過程。在這種情況下，找到最佳解決方案的過程稱為Pareto前沿，在這種情況下，改善一個因素通常會使另一個因素惡化。帕累托陣線表示理想狀態，也就是說，不可能有更多的帕累托改進空間。這代表了可能的最佳折衷方案，具體取決于分配給每個因素的相對重要性。

訓練典型的神經網絡需要非常龐大的數據集，從數千個到數百萬個示例不等，但是Kulik和她的團隊能夠使用基于Pareto前沿模型的迭代過程來簡化該過程，并且僅使用數百個樣本即可提供可靠的結果。在篩選移動電池材料時，所需的特性是矛盾的，通常是這樣的：最佳的材料將具有高溶解度和高能量密度（對于給定的重量，可以存儲能量）。但是增加溶解度會降低能量密度，反之亦然。神經網絡不僅可以快速提出有希望的候選者，而且可以在每次迭代中為其不同的預測點分配置信度，這有助于在每個步驟中優化樣本選擇。庫里克說：“我們已經開發出一種不確定性的措施一種更好的使用技術的方式來真正知道這些模型何時會失敗。他們在概念驗證測試中選擇的挑戰是氧化還原液流電池所用的材料，該材料有望用于大規模的網格規模電池。它在清潔和可再生能源的發展中可以發揮重要作用。庫里克說，過渡金屬配合物是制造此類電池的首選材料，但是通過傳統方法進行評估的可能性卻很大。他們最初列出了300萬個此類復合體，最終將它們縮減為8個良好的候選對象，并制定了一套設計規則，使實驗人員能夠探索這些候選對象及其變化的潛力。

她說，除了建議使用該系統進行進一步研究的特定過渡金屬配合物外，該方法本身可能具有更廣泛的應用。 “我們將其視為可以應用于任何材料設計挑戰的框架，并且您確實嘗試同時解決多個目標。您知道，所有最有趣的材料設計挑戰是：您想要一件事進行改進，但又使情況變得更糟?！皩ξ覀兌?，氧化還原液流電池的氧化還原耦合只是一個很好的演示，我們認為我們可以繼續使用這種機器學習技術來加快新材料的發現?！崩缭诟鞣N化學和工業過程中優化催化劑庫利克說，這是另一種復雜的材料搜索。當前使用的催化劑通常包含稀有和昂貴的元素，因此，基于豐富而廉價的材料尋找相似有效的化合物將是一個顯著的優勢。統計，應用數學和物理科學概念的完美結合，在工程應用中將非常有用?！被瘜W教授Geo說道。西北大學化學與生物工程專業。Rge Schatz說他沒有參與這項研究。他說，這項研究解決了“有多個目標時如何進行機器學習”的問題。這項工作得到了海軍研究辦公室，美國國防部高級研究計劃局（DARPA），美國能源部，Burroughs Wellcome基金和AAAS Marion Milligan Mason獎的支持。