编者注： 作为人工智能的核心——机器学习，其应用遍布人工智能的各个领域。日前，美国阿贡国家实验室发现了机器学习的新应用，率先利用机器学习进行二维材料的建模，这将对发现和开发新材料有巨大促进作用。
上图为锡烯的“荒原”：锡烯比它的“表亲”石墨烯和硅烷更柔软、波纹更多。机器学习，是通过大量数据训练使计算机进行模式识别和预测，可以帮助医生更准确地诊断疾病，在金融市场中预测股票的涨跌。现在材料科学家开创了机器学习的另一个重要应用——加快新材料的发现和开发。
美国能源部（DOE）阿贡国家实验室的纳米材料和先进光子源中心的研究人员（由计算科学家Subramanian Sankaranarayanan领导的一个研究团队）在The Journal of Physical Chemistry Letters上发表了一项研究，声称利用机器学习可以准确预测纳米材料的物理、化学和机械性能。他们用机器学习创建了首个原子级模型，准确预测了锡烯这种由单原子厚的锡片制成的二维材料的热性能。
这项研究是应用机器学习进行材料建模的首例，与过去的建模方法相比，这种建模方法可以更准确地预测材料特性。
阿贡国家实验室的博士后研究者Mathew Cherukara说：“预测建模对新材料的开发非常重要，包括投资生产前的一切准备工作，比如了解新材料的特点、对不同的刺激的响应状态，以及如何有效提高商业应用性。”
传统的原子尺度的材料建模一般需要开发数年时间，而且研究人员还不得不很大程度上依靠直觉来确定建模的参数。然而，Cherukara及其同事通过使用机器学习，不仅减少了人员投入，而且将精确建模的时间缩短到了几个月。
阿贡国家实验室博士后研究员Badri Narayanan说：“我们将来自实验或基于理论计算得到的数据输入电脑，然后向机器提问，比如可以给出材料所有性能的模型吗？可以通过优化材料结构，控制缺陷或是定制材料来获得特定的所需性能吗？”
阿贡国家实验室研究团队率先使用机器学习进行二维材料建模。与大多数传统模型不同，机器学习模型能够准确捕捉键的形成和断裂过程，机器学习模型不仅可以更可靠地预测材料性能（例如热导率），而且可以使研究人员准确获取化学反应，从而更好地了解特殊材料的合成方法。
机器学习构建模型的另一个优点，是过程不受材料种类限制，这意味着研究人员可以同时研究多种不同的材料，并用机器学习研究各种不同元素及其化合过程。
这项研究中的计算模型研究对象锡烯，是一种由锡制成的材料，近年来备受关注。从2004年石墨烯的发现到现在的锡烯，可以看出人们对二维材料的兴趣日益增长。虽然锡烯离商业化应用还非常遥远，但研究人员发现它在一些纳米器件的热管理（热调节）中具有巨大的潜在应用。
原文链接：Machine learning enables predictive modeling of 2-D materials
文献链接：Ab Initio-Based Bond Order Potential to Investigate Low Thermal Conductivity of Stanene Nanostructures
本文经授权转载自材料人
联系客服
