研究人員設計了一種機器學習方法，可以預測新材料的結構，其效率是當前標準的五倍，消除了為儲能和光伏等應用開發先進材料的關鍵障礙。

來自英國劍橋大學和瑞典林雪平大學的研究人員設計了一種從本構元素預測材料結構的方法。他們在《科學進展》雜志上的一篇論文中報告了這種方法。

原子在材料中的排列決定了它的性質。能夠計算預測不同元素組合的這種排列，而不必在實驗室中制造材料，將使研究人員能夠更快地設計和改進材料。這將為更好的電池和光伏等進步鋪平道路。

然而，原子可以通過多種方式“包裝”到材料中：一些填料是穩定的，另一些則不是。確定堆積的穩定性是計算密集型的，計算原子的每一種可能的排列以找到最佳排列是不切實際的。這是材料科學的一個重大瓶頸。

“這種材料結構預測挑戰類似于生物學中的蛋白質折疊問題，”劍橋卡文迪什實驗室的Alpha Lee說，他共同領導了這項研究。“材料可以'折疊'成許多可能的結構。除了材料科學問題可能比生物學更具挑戰性，因為它考慮了更廣泛的元素集。

Lee和他的同事們開發了一種基于機器學習的方法，成功地解決了這一挑戰。他們開發了一種描述材料的新方法，使用對稱性數學將原子可以打包到材料中的無限方式減少到一組有限的可能性中。然后，他們使用機器學習來預測原子的理想包裝，給定元素及其在材料中的相對組成。

他們的方法可以準確地預測壓電和能量收集應用的材料結構，其效率是當前方法的五倍以上。它還可以找到數千種以前從未制造過的新型穩定材料，以一種計算效率高的方式。

“可能的材料數量比我們自古以來制造的材料總數大四到五個數量級，”共同第一作者Rhys Goodall說，他也來自卡文迪什實驗室。“我們的方法提供了一種有效的計算方法，可以'開采'以前從未制造過的新的穩定材料。然后，這些假設的材料可以通過計算篩選其功能特性。

研究人員現在正在使用他們的機器學習平臺來尋找新的功能材料，如介電材料。他們還將實驗約束的其他方面整合到他們的材料發現方法中。

這個故事改編自劍橋大學的材料，并由Materials Today進行了編輯更改。本文中表達的觀點不一定代表愛思唯爾的觀點。鏈接到原始源。