机器学习打造未来的材料研究之路

在迈向2020年的此时，人工系统，或者说机器，通过自身的“学习”创造出新的“知识”，似乎已经不再是一个遥不可及的梦。这就是说，也许在可以预见的将来，历史上可能首次在没有人为干预的环境下“诞生”出新的知识。...

当然，想让这种模式成为现实，我们仍然有相当一段路要走。其中最大的挑战就与所谓的“大数据方法论”相关。“培养”机器“自主地”对大量数据进行挖掘，是其能够“自发地”产生知识的基础。实际上，存储、管理、共享和挖掘大量数据方面的挑战仍然很艰巨。因为这需要连同多层的资源和工具，例如大量存储、数据安全、信息管理，以及整体有效的智能机器。这样的新概念显然可以应用于任何领域，材料科学也不例外。基于复杂设备或硬件的任何技术都依赖于材料科学。在测试期间，多种计算机化传感器能够检测到大量相关实验数据，因而很有必要设计相应的自动工具，使得这些大数据能够转化为有用的知识。在这个论文集中，读者将发现材料学不同领域内引人关注的例子。在这里，我们只是列出了一些有趣的文章。文中提到了不同的材料和应用：从民用建筑混凝土的开发——例如国立台湾科技大学周瑞生的文章《混凝土强度模拟中的机器学习：多国数据分析》(Machine learning in concrete strength simulations: Multi-nation data analytics)，到锂离子电池的设计——例如加拿大的Shandiz和 Gauvin的《机器学习方法在锂离子电池阴极材料晶体系统预测中的应用》(Application of machine learning methods for the prediction of crystal system of cathode materials in lithium-ion batteries)。这些论文的共同结论都是机器学习确实提高了人们预测材料性能的能力。

这一论点也在高桥启介和田中肯的《由第一性原理计算和机器学习的材料合成和设计》(Material synthesis and design from first principle calculations and machine learning)中完美地阐述了。他们使用材料和其属性数据库来“教”机器相应的学习方法，然后预测出具有所期望特性的新材料；Khan，Shamsi和Choi在题为《聚合物-粘土纳米复合材料(PCN)与温度和粘土成分相关的动态力学性能》(Correlating dynamical mechanical properties with temperature and clay composition of polymer-clay nanocomposites)一文中采用了类似的方法，利用支持向量和人工神经网络来识别温度、粘土成分和聚合物-粘土纳米复合材料力学性能之间的非线性关系。文集也涵盖了一些材料领域受到高度关注的工作。例如： Pierro等人在《用于光伏发电日前预测的多模式集合》(Multi-Model Ensemble for day ahead prediction of photovoltaic power generation)中涉及的发电应用主题；或是如Wang等人的文章《利用信息理论特征选择方法，通过电子鼻进行人类呼吸指征鉴定》(Human breath-print identification by E-nose, using information-theoretic feature selection prior to classification)中所描述的，在医药领域，基于机器学习分类方法，患者的呼吸很有可能会在未来作为临床检测条件。另外，有两篇论文阐释了计算机视觉可能通过来自机器的知识进行自我改进，例如DeCost和Holm的工作《用于微结构图像数据自动分析和分类的计算机视觉方法》(A computer vision approach for automated analysis and classification of microstructural image data)；以及Chowdhury等人的《微结构识别的图像驱动机器学习方法》(Image driven machine learning methods for microstructure recognition)。在最后这两篇论文中，研究者们通过数字视觉特征的机器驱动方法执行了识别微结构类型的任务。

我们相信在这个问题上汇集的新颖想法、概念和结果将激发进一步研究，使机器“看见”甚至拥有超出人类的推断能力——人类的推断能力会受到有限的知觉、记忆力和推理能力的限制，而机器不会。这类研究将为影响日常人类生活质量的关键问题铺平道路，提供更好且能被更多人负担得起的解决方案。各位亲爱的材料科学家们，如果您读到了这里，如果您也做机器学习相关的研究，并希望让更多的人知道您的工作，我们热烈邀请您在我们Elsevier旗下的期刊发表您的研究成果。点击“阅读原文”浏览

    关注 爱思唯尔Elsevier