深度学习算法可加快新兴科技行业的材料发现

固态无机材料对于电动汽车，手机，笔记本电脑电池和太阳能技术的发展至关重要。然而，为这些行业寻找具有所需功能的理想材料极具挑战性。南卡罗来纳大学计算机科学副教授胡建军是产生新假设材料的项目的首席研究员。

由于巨大的化学设计空间和高度稀疏的候选物，因此不能将实验试验和第一性原理计算模拟用作解决此问题的筛选工具。取而代之的是，研究人员开发了一种基于深度学习的智能算法，该算法使用一种称为生成对抗网络(GAN)模型的技术，可以将材料搜索效率显着提高两个数量级。它有可能极大地加快新型功能材料的发现。

这项工作发表在《NPJ计算材料》上，是南卡罗来纳大学工程与计算机学院的研究人员与贵州大学(位于中国贵阳的研究型大学)的研究人员之间的合作。

受到Google AlphaGo中使用的深度学习技术的启发，该技术学习了棋盘游戏Go的内在规则，以击败游戏的顶级玩家，研究人员使用其GAN神经网络学习了不同元素中原子的内隐化学组成规则，从而组装出了有效的化学成分。公式。通过使用存储在ICSD和OQMD等数据库中的成千上万种已知的无机材料训练他们的深度学习模型，他们创建了一个生成型机器学习模型，该模型能够生成数百万种新的假设的无机材料公式。

胡建军说：“几乎可以存在无限数量的新材料，但尚未被发现。” “我们的算法就像一个生成引擎。使用此模型，我们可以生成很多新的假设材料，这些材料很可能存在。”

基于深度学习的智能算法无需明确建模或强制执行诸如电荷中性和电负性之类的化学约束，便学会了在生成数百万种假设材料的公式时遵守这些规则。该算法的预测能力已被已知材料和材料发现文献中的最新发现所证实。“我们算法的一个主要优点是高有效性，唯一性和新颖性，这是此类生成模型的三个主要评估指标，”参与这项研究的贵州大学教授李少波说。

这不是第一次为材料发现创建算法。过去的算法还能够生产数百万种潜在的新材料。但是，这些算法发现的材料很少，因为它们具有很高的自由能和不稳定性，所以可以合成。相比之下，胡锦涛研究小组发现的无机材料中，将近70%非常稳定且可以合成。

参与该研究的UofSC机械工程副教授Ming Ming说：“通过将元素的符号放在一起可以得到任意数量的公式组合。但这并不意味着物理学可以存在。” “因此，我们的算法和下一步(结构预测算法)将通过创建可合成的化合物显着提高筛选新功能材料的速度。”

这些新材料将帮助电动汽车，绿色能源，太阳能和手机开发等领域的研究人员不断寻找具有优化功能的新材料。当前的材料发现过程如此缓慢，这些行业的增长受到了可用材料的限制。

该团队的下一个主要步骤是预测所生成配方的晶体结构，这是当前的主要挑战。但是，该团队已经与几个领先的国际团队一起开始应对这一挑战。解决后，可以将这两个步骤结合起来，以发现许多潜在的材料，用于能量转换，存储和其他应用。