馬克斯-普朗克的科學家探討了人工智能在材料科學中的可能性，並在《自然-計算科學》雜誌上發表了他們的評論。先進材料變得越來越複雜，因為它們必須滿足有關可持續性和適用性的高要求。Dierk Raabe及其同事回顧了人工智能在材料科學中的應用，以及如果與基於物理的模擬相結合，它所開啟的未開發的空間。

將基於物理的模擬與人工智能相結合在材料科學中獲得了越來越大的重要性，特別是對於滿足技術和環境要求的複雜材料的設計。資料來源：T. You, Max-Planck-Institut für Eisenforschung GmbH

與傳統的模擬方法相比，人工智能有若干優勢，並將在未來的材料科學中發揮關鍵作用。

無論是在高科技、移動性、基礎設施、綠色能源還是醫學方面，日常生活都迫切需要先進的材料。然而，由於化學成分、結構和目標屬性的複雜性，發現和探索新材料的傳統方式遇到了限制。此外，新材料不僅應該實現新的應用，還應該包括生產、使用和回收這些材料的可持續方式。

來自Max-Planck-Institut für Eisenforschung (MPIE)的研究人員回顧了基於物理學的建模的現狀，並討論了將這些方法與人工智能相結合如何能夠為複雜材料的設計打開迄今為止尚未開發的空間。他們在《自然-計算科學》雜誌上發表了他們的觀點。

將基於物理學的方法與人工智能相結合

為了滿足技術和環境挑戰的要求，必須考慮更多的要求和多重材料特性，從而使合金在成分、合成、加工和回收方面更加複雜。這些參數的變化導致其微觀結構的變化，這直接影響到材料的性能。這種複雜性需要被理解，以便能夠預測材料的結構和性能。計算材料設計方法在這裡發揮了關鍵作用。

“今天，我們設計新材料的手段完全依賴於基於物理學的模擬和實驗。當涉及到高維相平衡的定量預測，特別是由此產生的非平衡微觀結構和性能時，這種方法會遇到一定的限制。此外，許多與微觀結構和性能有關的模型使用簡化的近似值，並依賴於大量的變量。然而，問題是這些自由度是否以及如何仍然能夠涵蓋材料的複雜性，”MPIE主任、該出版物的第一作者Dierk Raabe教授解釋說。

這篇論文比較了基於物理學的模擬，如分子動力學和非初始模擬，以及基於描述符的建模和先進的人工智能方法。雖然基於物理學的模擬在預測具有復雜成分的材料時往往成本太高，但使用人工智能（AI）有幾個優勢。

“人工智能能夠從電子、原子和連續模擬獲得的大型數據集中自動提取熱力學和微觀結構特徵，具有很高的預測能力，”MPIE主任、該出版物的共同作者Jörg Neugebauer教授說。

用大型數據集加強機器學習

由於人工智能的預測能力取決於大型數據集的可用性，因此需要克服這一障礙的方法。一種可能性是使用主動學習週期，即用最初的小型標記數據子集訓練機器學習模型。然後，模型的預測由一個標籤單元進行篩選，該單元將高質量的數據送回標籤記錄池中，機器學習模型再次運行。這種循序漸進的方法導致了最終的高質量數據集，可用於準確的預測。

在材料科學中使用人工智能仍有許多開放性問題：如何處理稀疏和嘈雜的數據？如何考慮有趣的離群值或”不合適的”？如何實現來自合成或回收的不需要的元素入侵？然而，當涉及到設計成分複雜的合金時，人工智能將在不久的將來發揮更重要的作用，特別是隨著算法的發展，以及高質量材料數據集和高性能計算資源的可用性。