機器學習成功用於發現新材料，為5G時代添磚加瓦_風聞

​

編譯／雷鑫宇  審稿／阿淼  責編／唐林芳

研究人員將機器學習成功應用於新聚合物的設計。

研究人員在機器學習技術的幫助下進行聚合物的設計與測試工作。

據sciencedaily.com網站報道，日本東京工業大學（Tokyo Tech）教授Ryo Yoshida和國家材料研究所（NIMS）研究人員Yibin Xu等帶領的聯合研究小組在《npj·計算材料學》雜誌中展示了機器學習（ML）在發現創新材料方面的應用前景。機器學習是一種能夠讓計算機利用給定的數據進行“學習”的人工智能。

Yoshida等表示，他們開發的包括“轉移學習”（transfer learning）在內的機器學習方法，可以從非常有限的數據集中發現潛在的新材料。

位於NIMS的PoLyInfo是世界上最大的聚合物數據庫，Yoshida等的項目利用了該數據庫中的聚合物特性數據。儘管PoLyInfo的數據很強大，但關於聚合物傳熱性能的數據比較有限。

為了使機器學習模型能根據有限數據預測傳熱性能，研究人員對模型進行了預訓練。預訓練內容與目標任務的公共特性相關。因此，即便後期使用的數據集非常有限，機器學習模型也能具備非常出色的預測性能。這就好比經驗豐富的人類專家，即便任務經驗極為有限，也能作出合理的判斷。

基於這樣的考慮，Yoshida團隊將模型與一種專門用於計算分子設計的iQSPR算法進行了結合。iQSPR是此前由Yoshida及其同事開發的用於識別潛力“虛擬”聚合物的算法。

                 

常見聚合物聚酰亞胺的分子結構。

從巨大的候選材料庫中，研究人員從易於合成和加工等特點出發，選擇了3種聚合物。性能測試結果表明，新聚合物的導熱係數高達0.41W/mK。這一數值比自上世紀50年代以來已有廣泛應用的常見聚合物聚酰亞胺高近80%。

驗證實驗結果表現了快速、經濟的機器學習方法在材料設計領域的關鍵性突破，也展示了Yoshida團隊在數據科學、有機合成和先進測量技術方面豐富的綜合性知識。

Yoshida認為，他們的工作還有很多地方有待改進，例如可以通過添加更合適的描述符來“訓練”計算系統，以進一步提高其處理有限數據的能力。他説：“針對聚合物或軟材料設計的機器學習是極具挑戰性的，但它也有廣闊的應用空間。聚合物材料的性質不同於金屬和陶瓷，並且無法由目前的理論進行全面預測。”

這項研究能為5G應用設計新材料。

論文作者Junko Morikawa補充説：“這項研究是發現其他創新性材料的起點。我們希望創建一種由機器學習驅動的高通量計算系統，進而為5G時代與後5G時代的應用設計新一代的軟材料。我們的目標不僅僅是追求材料信息學的發展，還包括為材料科學、尤其是聲子工程領域的基本發展作出貢獻。”

期刊來源：《npj·計算材料學》

期刊編號：2057-3960

原文鏈接：

https://www.sciencedaily.com/releases/2019/07/190719102133.htm

中文內容僅供參考，一切內容以英文原版為準。轉載請註明來源。

轉載本公號內容請聯繫授權

[email protected]