研究人员设计了一种机器学习方法，可以预测新材料的结构，其效率是当前标准的五倍，消除了为储能和光伏等应用开发先进材料的关键障碍。

来自英国剑桥大学和瑞典林雪平大学的研究人员设计了一种从本构元素预测材料结构的方法。他们在《科学进展》杂志上的一篇论文中报告了这种方法。

原子在材料中的排列决定了它的性质。能够计算预测不同元素组合的这种排列，而不必在实验室中制造材料，将使研究人员能够更快地设计和改进材料。这将为更好的电池和光伏等进步铺平道路。

然而，原子可以通过多种方式“包装”到材料中：一些填料是稳定的，另一些则不是。确定堆积的稳定性是计算密集型的，计算原子的每一种可能的排列以找到最佳排列是不切实际的。这是材料科学的一个重大瓶颈。

“这种材料结构预测挑战类似于生物学中的蛋白质折叠问题，”剑桥卡文迪什实验室的Alpha Lee说，他共同领导了这项研究。“材料可以'折叠'成许多可能的结构。除了材料科学问题可能比生物学更具挑战性，因为它考虑了更广泛的元素集。

Lee和他的同事们开发了一种基于机器学习的方法，成功地解决了这一挑战。他们开发了一种描述材料的新方法，使用对称性数学将原子可以打包到材料中的无限方式减少到一组有限的可能性中。然后，他们使用机器学习来预测原子的理想包装，给定元素及其在材料中的相对组成。

他们的方法可以准确地预测压电和能量收集应用的材料结构，其效率是当前方法的五倍以上。它还可以找到数千种以前从未制造过的新型稳定材料，以一种计算效率高的方式。

“可能的材料数量比我们自古以来制造的材料总数大四到五个数量级，”共同第一作者Rhys Goodall说，他也来自卡文迪什实验室。“我们的方法提供了一种有效的计算方法，可以'开采'以前从未制造过的新的稳定材料。然后，这些假设的材料可以通过计算筛选其功能特性。

研究人员现在正在使用他们的机器学习平台来寻找新的功能材料，如介电材料。他们还将实验约束的其他方面整合到他们的材料发现方法中。

这个故事改编自剑桥大学的材料，并由Materials Today进行了编辑更改。本文中表达的观点不一定代表爱思唯尔的观点。链接到原始源。