小盘点：新材料设计和预测的三大方法及优缺点

随着高性能计算设备和密度泛函理论及相应算法的发展，通过理论计算分析、和预测材料已经成为材料科学领域中非常重要的一部分。新材料的设计和预测一方面可以帮助人们分析一些极端实验条件下存在却难以表征的材料；另一方面可以通过事先预言指导人们合成具有某种特性和功能的新材料，进而降低实验成本，缩短材料从发现到应用的过程。目前，新材料的设计和预测方法可以分为三类：基于专家知识及经验直觉的设计方法；基于材料数据库的大数据方法；基于结构搜索算法。下面我们简单介绍下这三大类方法及其优缺点。

1.基于专家知识及经验直觉设计新材料

专家知识的获得往往需要对某类材料的长期研究积累和深刻理解。这样设计出来的材料往往还需要通过计算形成能、声子谱和分子动力学等对其稳定性进行检验，不断试错，才能得到相对比较稳定的结构。例如：2011年Xian-Lei Sheng等人^[1]通过将金刚石中的碳原子替换为碳四面体，得到了孔状结构的T-Carbon，第一性原理计算证明其能够稳定存在。该结构在2017年被Jinying Zhang等人^[2]通过皮秒激光照射悬浮在甲醇溶液中的多壁碳纳米管，在极端偏离热力学平衡态的条件下成功合成。总之，该类设计方法一般效率较低，但有时凭借对材料结构和性能的深刻理解可以设计出一些具有奇特性能的材料。

图1 机器学习助力新材料发现的一般过程^[3]

2.基于材料数据库通过机器学习等数据挖掘方法预测新材料

机器学习算法通过在已知数据中寻找规律，然后利用这些规律进行预测。在材料结构预测中，机器学习系统包括两个部分即：学习系统和预测系统。数据清洗、特征选择及模型训练和测试等过程在学习系统中进行。预测系统应用学习系统中得到的模型进行预测。新材料的预测通过预测系统推荐的成分和结构得到候选材料，之后还需第一性原理计算对其稳定性进行检验。例如：Fisher等人^[4]构建了数据挖掘结构预测模型，其通过学习中数据库中成分和结构联合分布的概率，得到结构稳定的规则，进而预测形成新材料的概率。Hautier等人^[]利用贝叶斯统计方法从ICSD数据库中的183种常见的氧化物学习结构中原子分布规律，预测得到209种新的三元氧化物。总之，机器学习方法依赖大数据等手段，效率较高，缺点是预测得到的结构受限于数据库中存在的材料。此外，机器学习算法在材料科学中另一个重要的应用在于寻找结构和性能间的映射规律^[6]，进而更高效的挖掘具有特定功能的材料，加速其从发现到应用的过程。

图2 遗传算法流程图^[7]

3.基于结构搜索算法预测新材料

结构搜索算法包含模拟退火法、盆地跳跃法、遗传算法和粒子群优化算法等。这里以遗传算法为例，简单介绍其进行结构搜索的过程。首先给定所含原子种类和数目，然后随机生成一些材料结构作为初始群体。这些结构所包含的信息（晶格参数和原子位置）作为基因，通过变异、杂交等方法进化出子代。设置能量等作为适应性筛选条件，不断对群体进化，直到收敛，得到一些能量较低的结构。由于筛选前需要对结构进行优化，之后再根据不同结构的能量高低作为适应性筛选条件，因此结构优化的质量和计算能量的精确性就变得至关重要。目前而言，第一性原理计算是精确度比较高的方法，但是其计算效率往往比较低，尤其是在直接利用其对包含较多原子的超胞进行结构优化的情况下。通常的做法是利用经验势等分子动力学方法进行初始结构优化，然后再利用第一性原理计算对其结构进行优化，进而计算能量^[8]。另外，结构搜索算法可以帮助人们分析一些极端条件下合成的新材料。例如：Yanming Ma等人^[9]通过在高压条件下进行结构搜索发现一种“双六方密排堆积”的钠结构，其和高压实验中观测到的“透明”钠的拉曼谱及部分XRD吻合得很好，进而确定了它的结构。进一步理论计算发现，几百Gpa的高压使得p-d轨道杂化价电子被内壳层电子排斥到原子间隙，电子高度局域化，成为绝缘体。总之，结构搜索算法可以用来发现许多之前没有合成的新材料或帮助分析一些极端条件下合成的新材料，但是其比较依赖计算资源。

图3 新材料设计方法

这三种方法并不彼此独立，而是相辅相成的关系。人们凭借专家知识和经验设计具有某种新奇物性的材料，可以扩展材料数据库。通过大数据、机器学习等手段，人们可以从材料数据库中挖掘出具有某种特定功能材料的特征因子，这些因子也能被用来帮助人们设计具有新奇物性的材料。机器学习方法可以通过学习材料结构和能量间的函数关系提升结构搜索算法效率。结构搜索算法进化出的新材料，又会进一步丰富材料数据库。

参考文献：

[1] Sheng X L, Yan Q B, Ye F, et al. T-carbon: a novel carbon allotrope[J]. Physical review letters, 2011, 106(15): 155703.

[2] Zhang J, Wang R, Zhu X, et al. Pseudo-topotactic conversion of carbon nanotubes to T-carbon nanowires under picosecond laser irradiation in methanol[J]. Nature communications, 2017, 8(1): 683.

[3] Liu Y, Zhao T, Ju W, et al. Materials discovery and design using machine learning[J]. Journal of Materiomics, 2017, 3(3): 159-177.

[4] Fischer CC, Tibbetts KJ, Dane M, Ceder G. Predicting crystal structure by merging data mining with quantum mechanics. Nat Mater 2006;5:641-6.

[5] Hautier G, Fischer CC, Jain A, Mueller T, Ceder G. Finding nature's missing ternary oxide compounds using machine learning and density functional theory. Chem Mater 2010;22:3762-7.

[6] Isayev O, Oses C, Toher C, et al. Universal fragment descriptors for predicting properties of inorganic crystals[J]. Nature communications, 2017, 8: 15679.

[7] Zurek E. Discovering new materials via a priori crystal structure prediction[J]. Reviews in Computational Chemistry, 2016, 29: 274-326.

[8] Glass C W, Oganov A R, Hansen N. USPEX—Evolutionary crystal structure prediction[J]. Computer physics communications, 2006, 175(11-12): 713-720.

[9] Ma Y, Eremets M, Oganov A R, et al. Transparent dense sodium[J]. Nature, 2009, 458(7235): 182.

本文由 宁宁 供稿。

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：cailiaorenVIP.