基于机器学习的材料设计：从理论到应用
基于机器学习的材料设计：从理论到应用
材料基因工程（MGE）在中国已经发展了十余年，在深度融合材料理论-高通量实验-高通量计算-数据/数据库，系统寻找材料组分-工艺-组织结构-性能的定量关系，变革材料研究范式等诸多方面取得了有目共睹的成就。高通量实验、高通量计算和材料数据库是MGE的三大核心技术。仅对于发展高效实验手段而言，更强调并行与快速实验的高通量全新模式，以“扩散多元节”、“组合材料芯片” 等等技术为代表的高通量制备与快速表征系统，在材料高效开发和数据库建立上发挥着重要作用。
经过十余年的潜心研究和不懈努力，MGE已经形成了初步的系统理论和方法体系，也涌现出一系列需要系统总结和推广的成果，充分反映出材料基因工程理念和方法的提出和实施已极大地推动了材料研究从传统的“试错法”模式变革为以当代计算材料学、高效实验方法学和大数据科学等高科技手段为支撑的新模式，加速了材料研发进程。为此，中国材料研究学会材料基因组分会组织本领域的一线专家和学者，精心编写了“材料基因工程丛书”。丛书涵盖材料信息学、高通量实验制备与表征、高通量集成计算等多个方面，旨在总结材料基因工程研究中业已形成的初步系统理论和方法体系，并将这一宝贵财富流传于世，为有志于将材料基因组理念和方法运用于材料科学研究与工程应用的学者提供一套有价值的参考资料。
《基于机器学习的材料设计》一书是上述丛书中的一个分册。该书综述了基于机器学习的材料设计的最新研究进展，介绍了材料机器学习算法、开源软件和自主研发的材料数据挖掘在线计算平台在合金材料、钙钛矿材料和太阳能电池材料设计上的成功应用案例。本书的特色是“机器学习算法深入浅出，上机练习案例学以致用”，附录中的计算平台和算法代码具有智能机器学习建模、虚拟材料的高通量筛选和需求驱动的材料逆向设计等功能，为机器学习加快新材料设计和优化提供了行之有效的工具。
材料设计是新材料创新的源头，也是材料科学研究的热点。近年来，由于计算机科学和数据科学的发展，被称为“科学的第四范式”的人工智能（artificial intelligence，AI）引起了全世界的关注。自20 世纪80 年代以来，作为独立学科的机器学习（machine learning，ML）一直是人工智能的核心。机器学习具有强大的学习能力，可以重组现有的知识结构并挖掘隐式关系。即使是失败的实验数据，机器学习也可以从中提取有价值的信息。
基于机器学习的材料设计，是利用已有的材料数据（包括材料的结构组成或配方、工艺条件和性能等）构建材料性能预测的机器学习模型，进而利用所建模型高通量筛选未知样本，期望获得性能更好的新材料候选样本（正向设计，即从材料特征变量输入到模型输出性能的估算）；或者指定新材料的性能，利用机器学习模型以指定性能为优化设计导向，在庞大的新材料搜索空间，快速逆向设计出符合性能要求的新材料的组成配方和工艺条件（逆向设计，即从材料指定性能到特征变量的推算）。基于机器学习的材料设计的应用研究内容涉及材料理性设计、可控制备、精确表征和性能优化的全研究链，对于低成本快速研发新材料具有特别重要的意义。
利用材料机器学习方法和技术，可以总结新材料的物理和化学性质与其组成元素的原子参数、化学配方、制备工艺等参数之间的定性或定量关系，用于加快新材料研制和新产品开发，达到“事半功倍”的效果。材料机器学习方法和技术的应用成本低，却可能在材料研发过程中节省人力和物力，因此在材料科学和工程领域有广阔的应用前景。
基于机器学习的高熵合金设计研究流程
我们在基于机器学习的材料设计方面开展了从算法、软件到具体材料设计和性能优化的研究工作，本书从材料科学工作者易于理解的角度介绍常用机器学习的算法、基于机器学习的材料设计原理和成功应用案例。
本书可作为材料设计方向的研究生课程参考书，也适合材料科学和工程领域的工作者参考阅读。