人工智能方法用于二元合金弹性常数的预测

大数据理念和人工智能方法正在改变着科研人员对未知世界的探索方式。中国科学院计算机网络信息中心材料基因实验室，围绕预测材料的物理化学性质，提出采用机器学习方法预测第一性原理计算结果误差，并在此基础上，推荐出适合所计算体系的误差最低的最优化计算参数，并对第一性原理计算结果进行纠正。近期，实验室在该方向上的研究已经有2 篇论文在Computational Material Science 期刊上发表[1]，[2]。

该研究以二元合金弹性常数计算为例，借助高通量材料自动流程计算和数据管理平台MatCloud（http://matcloud.cnic.cn），可以便捷地产生大量计算数据，并结合收集的部分实验数据，采用神经网络方法建立二元合金弹性常数第一性原理计算误差估计模型，神经网络参数的学习利用了BP算法和粒子群优化的混合学习方法进行训练。经实验验证，证明了机器学习方法可有效实现对二元合金弹性常第一性原理计算误差的估计，同时相比较于支持向量回归算法和单纯用BP算法训练神经网络，提出的基于混合学习的神经网络方法能够更有效地实现误差预测，预测的弹性常数第一性原理计算误差准确率达到88%左右。同时，基于以上研究，采用机器学习方法建立了二元合金弹性常数预测模型，经过验证，该模型对弹性常数的纠正力度在10GPa左右，直接预测出的弹性常数的误差约为15GPa。见图1 。

图 1 采用机器学习方法对二元合金弹性常数第一性原理计算结果误差的预测

这表明，高通量计算和机器学习相结合的方法在材料性质预测领域具有重要的应用前景。采用更全面、更完善的材料数据库，运用更深入的人工智能算法/机器学习方法能够为科研人员提供更精准的信息，进一步加速新材料的研发。高通量自动流程计算可以帮助产生大量数据，从而使模型训练更为精准。该项研究工作得到国家重点研发计划和国家自然科学基金重点项目的支持。

参考文献：

[1]  New methods for prediction of elastic constants based on density functional theory combined with machine learning（Comp.Mater.Sci.,2017,DOI:10.1016/j.commatsci.2017.06.015）

[2]  Error estimation in high-throughput density functional theory calculation for material property: elastic constants of cubic binary alloy case（Comp.Mater.Sci.,2017,DOI:10.1016/j.commatsci.2017.03.035）

本文由中国科学院计算机网络信息中心材料基因实验室李老师投稿。

材料牛网专注于跟踪材料领域科技及行业进展，这里汇集了各大高校硕博生、一线科研人员以及行业从业者，如果您对于跟踪材料领域科技进展，解读高水平文章或是评述行业有兴趣，点我加入编辑部大家庭。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。

投稿以及内容合作可加编辑微信：RDD-2011-CHERISH，任丹丹，我们会邀请各位老师加入专家群。

材料测试、数据分析，上测试谷！