由于先进材料在可持续性和适用性方面的高要求，它们变得越来越复杂。Dierk Raabe及其同事回顾了人工智能在材料科学中的应用，以及如果与基于物理的模拟相结合，它所打开的未开发空间。与传统的模拟方法相比，人工智能具有几个优势，并将在未来对材料科学发挥至关重要的作用。

(资料图片)

日常生活迫切需要先进材料，无论是高科技、交通、基础设施、绿色能源还是医药。然而，由于化学成分、结构和目标特性的复杂性，发现和探索新材料的传统方法遇到了限制。此外，新材料不仅应实现新的应用，还应包括生产、使用和回收它们的可持续方式。

马克斯-普朗克研究所(MPIE)的研究人员回顾了基于物理的建模的现状，并讨论了如何将这些方法与人工智能相结合，为复杂材料的设计开辟尚未开发的空间。他们在《自然计算科学》杂志上发表了他们的观点。

将基于物理的方法与人工智能相结合

为了满足技术和环境挑战的要求，必须考虑越来越苛刻和多方面的材料性能，这使得合金在成分、合成、加工和回收方面变得更加复杂。这些参数的变化会导致其微观结构的变化，这直接影响材料的性能。计算材料设计方法在这里起着至关重要的作用。

“我们设计新材料的方法今天完全依赖于基于物理的模拟和实验。当涉及到高维相平衡的定量预测时，特别是对于由此产生的非平衡微观结构和性质时，这种方法可能会遇到一定的限制。此外，许多与微观结构和属性相关的模型使用简化的近似值，并依赖于大量变量。然而，问题仍然是这些自由度是否以及如何仍然能够覆盖材料的复杂性，“MPIE主任兼该出版物的第一作者Dierk Raabe教授解释说。

本文将基于物理的模拟(如分子动力学和从头模拟)与基于描述符的建模和先进的人工智能方法进行了比较。虽然基于物理的模拟通常成本太高，无法预测具有复杂成分的材料，但使用人工智能 (AI) 有几个优点。

“人工智能能够自动从电子，原子和连续模拟中获得的大型数据集中提取热力学和微观结构特征，具有高预测能力，”MPIE主任兼该出版物的共同作者Jörg Neugebauer教授说。

使用大型数据集增强机器学习

由于人工智能的预测能力取决于大型数据集的可用性，因此需要克服这一障碍的方法。一种可能性是使用主动学习周期，其中机器学习模型使用最初一小部分标记数据进行训练。然后，模型的预测由标记单元筛选，该标记单元将高质量数据反馈到标记记录池中，然后再次运行机器学习模型。这种循序渐进的方法可以产生可用于准确预测的最终高质量数据集。

人工智能在材料科学中的应用仍然存在许多悬而未决的问题：如何处理稀疏和嘈杂的数据。如何考虑有趣的异常值或“不合适”。如何从合成或回收中实现不必要的元素入侵。然而，在设计成分复杂的合金时，人工智能将在不久的将来发挥更重要的作用，特别是随着算法的发展，以及高质量材料数据集和高性能计算资源的可用性。