Advanced Energy Materials:机器学习加速新能源材料开发的综述

近年来人工智能领域发展迅速,其应用领域也逐渐从计算机科学,图像识别,声音识别等扩展到自然科学领域。人工智能和机器学习的优点在于其模型能够利用现有的数据进行学习,并且能根据建成的模型进行探索性研究。其强大的探索能力让人工智能和机器学习成为了自然科学领域有力的帮手。

在能源材料领域,现今大部分的新材料开发都是基于一个已经知道的材料并且对其进行相对微小的调节,比如从元素组成上进行替换和掺杂,或者从材料的几何结构上进行优化。这也间接导致新材料的开发过程相对缓慢,一般时间线跨度在20年左右。过去的十年里,随着高性能计算机的开发,高通量材料计算逐渐开始流行,很多优秀的计算材料数据库逐渐走向成熟,比如Materials Project, OQMD, AFLOW 等等。高性能的材料计算从一定程度上突破了小范围的材料探索,然而计算也是有速度的局限性的,比如计算锂离子在一个材料中的扩散,经常需要数个礼拜的超级计算机机时。这让计算指导材料开发大打折扣。

如果说计算材料让传统的实验科学和理论研究提速了一个档次,那机器学习的作用则在于把计算材料速度提供几个数量级。因此机器学习在能源材料开发中的应用开始成为一个吸引众研究者探索的领域。在不到十年的时间里,这个领域开始蓬勃发展,并且在锂电池,太阳能,能源转换催化,热电,压电,超导等应用中取得了成就。

加州大学圣地亚哥分校Shyue Ping Ong教授及其团队在先进能源材料发表综述,总结了机器学习在能源材料领域终取得的进展,并且也建议了现今领域内存在的问题以及如何避免应用的误区。Ong教授致力于开发材料计算的基础设施以及工具,是美国Materials Project发起人之一。今年来,课题组开始探索使用前沿人工智能技术加速材料开发。本文的相关论文以“A Critical Review of Machine Learning of Energy Materials” 为题发表在 Advanced Energy Materials 上(DOI:10.1002/aenm.201903242) 并且收录在Hot Topic: Artificial Intelligence and Machine Learning 特刊。文章的通讯作者包括Shyue Ping Ong 教授以及Chi Chen博士。