基于計算機技術的材料研發方法

李 劍

（貴陽職業技術學院 貴州 貴陽 550081）

0 引言

隨著材料科學的發展，新型材料的大量出現，已成為人們日常生活和生產的重要組成部分。計算機技術作為信息時代的產物，是現代工業發展的重要組成部分，在現代社會的生產、生活中占有重要地位，各種行業對計算機技術的需求與日俱增。因此，本文從材料研發的視角，探討了計算機技術在材料研發方面的應用，以促進二者的相互結合，以及新材料的開發與利用。

1 新材料的相關概述

1.1 新材料

新型材料是近年來開發的具有優良特性的新型結構和功能性材料。與傳統的材料相比，這種新型材料有了更多的新特性，可以更好地適應社會和人們對新材料的需求。新材料不只是已經開發的，還有部分材料也正在研究中。新材料技術從性能研究、材料設計、加工等一系列的研究與設計過程中，適應不同的應用要求。

1.2 新材料設計

新材料設計是新材料開發的關鍵。研發環節是對材料的組成、內部結構、材料性能進行預測和設計的過程。在新材料研發的實踐中，材料研發可分為3個層面：微觀研發層次、連續模型層次和工程層次研發。在此基礎上，微觀研發層次提出了新材料的原子層次和電子層次的研發。而連續模型層則是一種新型材料的連續介質，其大小為1 μm。工程研發層面指的是宏觀材料，它是指有關大型物料的處理與應用特性的設計。

2 材料計算工具與平臺

近年來，隨著計算機硬件技術的迅速發展，材料的理論計算日益增多，量子第一性原理、分子動力學等已成為材料領域的重要前沿課題。長期以來，國內外的開發者均在編寫各種材料計算軟件，部分已經發展到較為成熟的地步，如VASP、ABINIT、Quantum Espresso等。為了更好地利用計算機軟件進行材料的研究，研究者已經設計了一套數據處理軟件和科學工作流程，并在此基礎上發展出了一套能夠實現大規模、自動化的、可批量生產的高通量計算平臺。

2.1 材料計算數據處理工具

計算材料科學中各種材料計算專用軟件的輸入/輸出形式也不盡相同，并有相應的分析方法。過去，從事材料計算工作的科研工作者大多是手工操作，對大量的計算資料進行分析、加工，工作量大且不易操作。利用材料計算軟件，可以對材料的結構、屬性的數據進行讀寫、格式轉換、分析，從而極大地提高了科研工作的效率。當前，世界上最具代表性的材料計算分析工具有：Pymatgen、Atomate、ASE（atomic simulation environment）等。

Pymatgen是以python為基礎的高流量計算軟件，其性能非常好。該系統支持多種輸入/輸出形式，如VASP、ABINIT、高斯等。該系統可以從電子中直接提取出電子的能帶、電子密度、電子結構等數據，對各種類型的相關運算進行綜合分析，并進行數據處理。同時，可以對各種元素、點位、分子、結構等進行不同的表征。另外，Pymatgen的功能也被封裝到了Materials項目中。

Atomate是一種開放的python架構，用于材料模擬、特性分析和設計。該軟件將Pymatgen、Fireworks、custodian等軟件集成一體，使其具有較強的數據處理能力和解析能力。

ASE包括一組工具，用以建立、控制、操作、可視和分析原子模擬。它具有使用方便、靈活和可定制的特點。

2.2 科學工作流

科學的工作流可以用來計算材料的性質，也可以進行數據的分析。在材料的研究中，大部分的材料計算工作均是經過規范化、程序化，形成一套科學的工作流程，從而提高了科研工作的效率。目前，很多工作流程應用于材料計算工作流的計算平臺。在AIIDA平臺上，應用了一種科學的工作流程，可以實現對復雜的數據進行自動處理，并能在處理各種計算任務間進行數據共享；Materials項目中采用Fireworks來管理工作流程，從而使計算任務能夠自動完成。圖1為科學工作流功能示意圖，其主要特征為：一是能實現從材料結構到性能的自動計算；二是能實時監測和自動糾正運算過程。

圖1 科學工作流功能示意圖

工作流結構示意圖如圖2所示，可視為一個有向圖，其中每個均可以被看成是一個步驟計算、一個操作或者一個子流程。它還支持循環運行，可以根據設置的終結條件來完成迭代。

圖2 工作流結構示意圖

2.3 材料計算平臺

為了適應物料計算的批量化、自動化，研究者利用計算機技術將不同的計算軟件與編碼相結合，建立了一個高通量的計算平臺。計算平臺負責管理和調度各種資源，方便物料工作者對物料數據的采集與分析。目前，在世界范圍內，已有許多高通量的材料計算平臺。典型的材料計算平臺有：AFLOW、AIIDA、高通量物質綜合計算與數據管理平臺（Matcloud）、高通量計算平臺與信息平臺（Materials Informatics Platform, MIP）、Pylada和MPInterfaces等。

AFLOW是一種以VASP為基礎的高通量材料計算方法，其支持力學、磁學、熱動力學、電子結構等方面的數值模擬。

AIIDA是一種用于計算機科學應用的自動化交互基礎設施。這是一種介于用戶與高性能計算機的中間層。用戶可以通過API與這個平臺進行交互。在ADES模型的指導下，開發了一個基于ADES模型的工作平臺。

Matcloud是一種高通量的材料仿真系統。其目的在于方便材料研究人員對材料進行模擬和計算，并獲得所需要的材料特性。Matcloud為用戶提供了一組工作流程模板。另外，Matcloud還為用戶提供了一個方便的圖形用戶接口。

材料信息平臺是一種基于一級原理的高通量計算平臺。該系統能夠完成結構查詢、自動計算、功能特性顯示等一系列高通量的標準過程。

Pylada是一個模塊化的python架構，用來進行物理模擬。其目的在于提供一個能夠構建各種哈密頓量的基礎結構塊。Pylada可以讓使用者輕松地計算出聲子或產生焓。

MPInterfaces是一款高通量過濾接口系統的軟件，該技術可以應用于固體/固體雜化結構、固體/隱含溶劑體系、納米粒子/配位體系的界面結構的創建和運行。

3 材料研究中機器學習的應用

3.1 機器學習助力新材料研究

機器學習（machine learning，ML）是在學習模式的基礎上，通過對具體的數據進行分類、歸納和總結，從而達到預期效果的一種有效途徑。在新材料的研究中，深度學習（deep learning，DL）的作用尤其明顯。本文主要介紹電催化材料、熱電材料、有機光電材料、鋰離子電池材料等方面的應用。

3.1.1 篩選電催化材料

僅用手工的方法來篩選電催化劑是一項非常繁瑣、工作量很大的工作。因為電催化反應是一種加速和促進電極與電解質的化學反應。表面催化反應受到多種因素的影響，如：材料選擇、晶面選擇、反應位置的選擇等。Tran等利用主動機器學習的方法，提出了一種用于CO2RR和HER的電催化劑的篩選和計算方法。本文以材料專題數據庫中的金屬間化合物為訓練集，采用python材料基因組學工具對所選擇的材料進行了列表，并采用三角剖分技術對各表面的吸附位置進行了詳細的分析。每一吸附位點的指紋識別均是最關鍵的一步，該過程是ML的輸入數據，并利用ML模型對吸附位置進行預測。

另外，Tran等還通過密度泛函理論對最佳預報進行了驗證，從而提高了預報精度，且選出了10個適合CO2RR和HER的金屬間化合物14個。以往的催化劑研究均是在現有的知識體系中進行，很難對其未來的發展做出準確的預測。主動的機器學習模式可以有效地解決這一問題，從而大大提高了研究的效率，甚至可以從催化劑的本質出發，探索其規律，這無疑是一種新的材料篩選手段。

3.1.2 發現熱電材料

利用塞貝克效應和佩爾捷效應，可以使熱電材料的熱能轉化為電能。高效率熱電材料是一種全固態熱電器件，結構簡單，體積小，無排放，效率高，具有廣闊的發展前景。開發性能優異的熱電材料是關鍵，在過去幾十年來，人們致力于提高熱電材料的性能。在微觀層面，試圖了解不同的載流子，如電子與聲子的交互作用。ML方法在熱電材料領域具有很好的應用前景。Furmanchuk等利用回歸分析法，研制出了一種能夠預測300～1 000 K溫度范圍內結晶材料塞貝克系數的新方法。在此基礎上，他們提出了一種新的描述方法，用以預測塞貝克系數。該設備能對多種結晶的特性、制備工藝和化學結構的組成進行對比。如果能夠將該工具嵌入到網絡應用程序中，那么將有助于科學家在新型熱電材料方面的研究。

3.1.3 有機光電材料

改變傳統的有機光電材料發展模式，必須在分子設計、有機合成、分子結構特點等方面開展更大規模的試驗研究。在此基礎上，采用了卷積神經網絡的DL方法，將其圖像視為圖像的特征描述。首先，利用1 700個不同的物質資料，對其進行模擬，并對其光電轉化效率進行了預測。結果表明，該方法的預測準確率在91%以上。通過試驗對10種新的供體材料進行了光電轉化，得到了與試驗一致的結果。這也說明了ML方法的正確性。相信ML的最大價值在于節省時間、節省資源，大大促進了受體材料的開發，加速了高效率的有機光電器件的研究。

3.1.4 鋰離子電池電極材料的設計

鋰離子電池的主要特性是由電極材料決定的，但是從發現到應用的全過程是非常復雜的。在此基礎上，提出了一種基于ML的方法，既可以避免手工操作，又可以利用大量的數據進行建模，從而總結出材料的特性和結構之間的相互關系。為高性能電極材料的篩選和開發提供了新的思路，并將理論與試驗數據結合起來。采用SVM法，對LISICON型超離子導體進行了有效的、大規模的掃描，獲得了LISICON超離子導體的組分和相位空間。這樣，ML就大大加速了材料的設計。

3.2 機器學習促進更精確的材料結構和性能預報

ML方法是一種以數據為基礎的新的研究范例，它對數據和學習模式的依賴性較強，因此具有較好的預測能力。在各種材料數據庫的支撐下，ML對材料的性能進行了預測，其結果具有以下代表性。

3.2.1 二元化合物的結構

ML是一種包含多種不同的技術，它包含了從數據中獲取有用的信息和模型。它的知識和技能來自于統計學、圖論、數據庫、數學和計算機。在此基礎上，提出了一種廣泛適用的數據挖掘算法，并將其用于許多二元化合物系統，它們已經被廣泛地用于實驗樣本。利用非監督學習的方法，按照晶體的結構，把很多化合物分成子集。采用有監督學習的方法對未知化合物進行分類，將具有相似特征的化合物列入同一類化合物，共55個化合物具有正確的結構，其平均識別精度可達95%。討論該化合物的特殊性質（熔點），通過計算和試驗，預測了44個化合物的熔點，結果表明，該方法的相對誤差約為12.8%。這是預測材料性能的一項新突破。

3.2.2 材料的形成能

形成能晶體結構的預測與表征是材料研究和發展的一個重要課題。通常情況下，利用離散傅里葉變換（discrete fourier transform，DFT）方法對候選結構進行精確的運算，或從大量的試驗數據中抽取經驗規律。

3.2.3 致密有韌性的二氧化硅玻璃

ML比較于常規的測試技術有其自身的優勢，不僅具備通用性和高效率，還具備強大的可開發性，能夠把測試數據和工藝參數密切的關聯起來，由此增強了對產品的檢測功能。大彈性模量、小密度SiO2基玻璃的化學結構正成為研發熱門。

3.3 機器學習應用中的問題和思考

ML方法在數據分析、規則發現、關聯等方面具有很強的應用價值，而ML方法的應用有助于加速材料的研究。但在實踐中，仍然存在著許多問題。首先，ML的實際應用需要大量的數據，而在實際應用中，ML模型會出現適用性差、精確度低等問題。最后，提出了一種能夠解釋的ML模型。由于資料的缺乏，可以在小樣本中添加領域知識，或通過隨機抽樣、分割等方式進行數據的擴展。由于研究對象的不同，其適應性和準確性也存在差異。研究者通過對各種ML模型的對比和確認，選擇出最優的模型。在模型的解釋性問題上，一方面要深入地探討可解釋性的SISSO、符號回歸等ML方法；另一方面要通過對其特征的重要性進行推理，進而提高其對屬性的預測能力。

4 結語

本文對當前材料研究中的計算機技術作了較為詳盡的介紹，并對當前所使用的部分軟件工具、平臺以及ML方法在材料研發中的應用作了概述。計算機技術為材料科學，特別是材料基因組項目的實施提供了有力的技術支持和保證，并將在今后的材料科學和工程領域中扮演更重要的角色。