如果有适当的知识，所有不被自然法则禁止的事物，都是可以实现的。

－戴维·多伊奇

诸如振金(Vibranium)，难得素（unobtainium）和氪石（kryptonite）之类在科幻小说中描述的神奇材料，不仅俘获了公众的眼球，也激发了整个世界的想象力。

人类历史的一个基本事实是：材料能推动技术革命。

如果没有硬铝，就不会有商用飞机；如果没有钢铁，就不会有摩天大楼；如果没有塑料，就不会有廉价的内部水暖管道，不一而足。

但是，新材料的开发却异常缓慢。今天能够使用的材料数量，可能仅是各种材料元素无穷多组合中屈指可数的几种。时至今日，我们在新型高强轻质合金和室温超导体的研究方面，依然在蹒跚前行。

据说，托马斯·阿尔文·爱迪生为他新发现的电灯泡灯丝，测试了超过2000种材料作。他甚至对自己的头发进行了测试，直到在偶然之中，找到了后来被钨取代的碳。一个多世纪以来，材料科学家们依然在沿用这种“爱迪生式”的研究方法：新材料的研究，总是围绕着可预测的成分展开，而新成果却寥寥无几，令人唏嘘。

如今，蓬勃发展的人工智能（(AI），或有望在材料科学领域完成一项重大革新。

首先，AI是什么？

根据ISO/IEC JTC 1/SC 42的定义，人工智能（AI）是通过嵌入动态数据驱动环境的算法，是对人类智能活动过程的模拟。

AI的好处是能够迅速完成非常精密的工作任务，节约大量时间与成本。AI采用机器学习来分析实时数据，数据处理的速度和量级远超人类。

AI的类型基本可分为两类，一类是指狭义人工智能，可完成具体工作，比如我们现在使用的电脑。另一类被称为广义人工智能，旨在形成认知能力，但专家们认为，这种类型的AI，似乎在我们有生之年难以实现。

那么，对于材料科学来说，我们需要怎样的AI？

有学者认为，材料科学的AI，应能够发现已有材料文献中被疏忽的线索。虽然我们已经可以使用自然语言处理（NLP）从文本中提取材料数据，但我们还需要建立起更强大的神经网络系统，抽取每年发布的数以百万计的图像，如畴、晶粒、图表、光谱，分析和理解这些图像，并预测下一种新材料。

也有学者认为，材料科学AI应可从世界各地正在新建的数据库中获取帮助。目前，我们已可通过“高通量”实验，对多维“相空间”进行梳理，收集隐藏在“显相”背后的“隐相”和“真相”。

还有学者认为，材料科学的AI并不是指某些具体的数据，而是一种正确的技术、算法或模型。下一代材料学家的培养，应注重大数据思维方式。

一切皆有可能。

远古时代的现代匕首

1922年，英国考古学家霍华德·卡特（Howard Carter）打开了埃及法老图坦卡蒙的坟墓，这是现代最著名的考古发掘之一。卡特对5398件墓中物品进行了分类，其中包括著名的黄金面具、黄金棺椁、以及用黄金打造的王座、酒具和便鞋等宝藏。但是，在所有这些令人炫目的宝藏中，他还发现了一件用亚麻布包裹的铁制匕首，它被裹在法老木乃伊的大腿上。令人惊奇的是，这把已有三千多年历史的铁匕首，居然没有生锈的迹象，随后的化学分析证实，它的性能更像现代的低碳钢。

那么，为什么古埃及人对铁匕首如此尊崇呢？

古埃及的铁，对今人来说，完全是个谜。现代的考古表明，古埃及时代的铁矿很少，古埃及人生产铁和保存铁的技术也不为今人所知。三千多年后，钢铁已无处不在。它坚固、廉价、且广为人知。我们知道，加入少量的碳可以使铁更坚固。我们还知道，就是因为小小的碳原子锁住了铁内部的位错，使其在应力下不会轻易移动。我们也知道，铬的添加，可以在铁的表面形成一层薄薄的表面保护层，来防止铁生锈。今天，我们已经可以精准控制这些已知的因素。

毋庸置疑，钢铁是现代科学给人类带来的礼物，并以汽车，餐具，桥梁和摩天大楼的形式馈赠给人类。

（图坦卡蒙的带有水晶手柄的铁匕首）

钢铁是发展得最好的工程材料之一，大多数材料工程师在金属学课程中学习的第一张相图，就是铁碳平衡相图，如此优美的相图曲线，给人一种自信和自豪的感觉。然而，能达到现今钢铁工业这个水平，绝对也是一个传奇。

无法想象，当初古人为何会把一块黑色的木炭，投入带灼热的铁水中，并期待获得神奇的金属？他们当初所做的一切，远在我们了解其背后的科学知识之前。这里有太多的偶然性，就像往铁中加入一点点碳，一点点铬，一点点镍，一点点锰，来“化腐朽为神奇”一样。无怪乎有人戏言，炼钢更像是一种“烹饪”行为，与其说是科学，不如说更像艺术。

事实上，不仅仅是钢铁；所有新材料的发现都是一个痛苦而缓慢的过程。

元素的奥吉亚斯马厩（The Augean Stables）

假设我们系统地研究每一个元素和其他元素可能的组合，不管是二元的，或三元的，等等，我们终将会有所发现，其中可能就包括新型陶瓷、室温超导体、强轻质合金、未被发现的形状记忆金属、新型拓扑绝缘体，当然还有一些无中生有的东西。但是，如果从120种元素着手，我们将工作量将是一个天文数字，将达到令人难以置信的10100种材料！

即使我们只限定10种元素，以减少“相”空间（Phase space），我们仍然需要制造和测试大约400万种材料，而每种材料都要在一定的温度和压力范围内进行测试。

因此，新材料的稀缺也就不足为奇了。也许正因为如此，在人类的历史中，尽管材料的价值一直在变动，但我们仍痴心不改。人类因此也走过了石器时代、青铜器时代、铁器时代，现在已经迈进了纸、塑料、硅时代。材料给了我们所珍视的一切。铁使农业成为可能，纸开启了文艺复兴，带领欧洲走出黑暗时代，塑料使食品运输变得容易，轻质硬铝合金使飞机上天成为可能。

在热门的科幻电影中，我们会谈论仙宫战士（Asgardian）用阿斯加德金属乌鲁（Uru）制成的雷神（Thor）锤子，以及可用来削弱超人能力的水晶氪星石（crystal kryptonite）。在詹姆斯·卡梅隆（James Cameron）的电影阿凡达（Avatar）中，来自地球的工作人员洗劫了潘多拉（Pandora）星球，目的是寻找难得素（unobtainium），一种室温超导体。在电影《黑豹》中，瓦坎丹部落使用的是振金（vibranium），一种强大，灵活，反射动能的材料。

材料充满了神奇，而“工具”更是传奇。

幸运的是，今天的材料科学正在经历一场无声的革命。材料科学中人工智能的曙光已经开始显现。

材料科学的AI时代正在悄悄来临。

在给计算机配备了数据驱动计算、图形处理单元（GPU）驱动计算和强大的算法后，我们开始教计算机如何寻找和发现新材料，而无需实际制造它们。例如，给定一系列元素，提供相应的原子大小，原子量，电离能，键合强度等数据，机器就可以进行“思考”实验。

在AI算法中，我们把一定量的每种元素添加到铁中，计算电子结构的变化、在应力下的行为以及与氧的反应性，并给每种元素评分。在下一个迭代中，它会改变每个元素的数量，例如从0%到10%不等的百分含量，并记录下材料属性的变化。在另一个迭代中，每一个组合物都需要在3个大气压下，从0 K加热到3500 K，并计算材料的性能。

当然，这里有一个庞大的工作量，但只要是计算机做的，谁会在乎呢?

在此计算结束之际，我们甚至可以料想到计算的结果，和铬和镍一样，碳元素会是评级最高之一。然而，真正令人兴奋的，是我们还没有尝试过的其他发现。向铁中添加某种物质会使钢变绿？变缘热？变柔性？撇开钢不谈，这种方法能预测室温超导体？新型压电材料？可生物降解的超强非烃聚合物？其想象空间之大，远远超过了人类的认知。

这将是材料科学领域人工智能革命的未来和希望，会有成千上万种神奇的材料，每一种材料都意味着一场革命。这绝不全是夸张，正如我们所看到的那样，材料往往意味着基础或技术革命。解决材料问题的最新方法，就是开发强大的人工智能，来为我们完成这项任务：设计新材料、改进现有材料，改进工艺和性能。

与其他人工智能的尝试（如自然语言处理或图像识别）不同，我们已拥有数百年的实验直觉，以及被称为科学的知识体系来帮助我们。那么，如今的材料科学家将如何面对这一挑战？人工智能要解决的首要问题又是什么？

其实，在材料科学中，一直存在着某种形式的机器学习。例如FactSage之类的热化学软件包，它可以准确地预测所选化学成分的相图。科学家们已可利用现有训练数据来拟合的模型，预测诸如折射率，介电常数，屈服强度等材料特性。例如折射率，只需知道材料的化学成分即可进行预测，而且预测结果的精度可超过90%。

但是，以往的这些成果都是局部的，迄今为止，尚未“描绘”出我们一直苦苦追寻的全局性图谱。

材料科学家也试图通过计算建模来预测材料性能。根据输入到程序中的大量数据，该模型能够准确地预测在选定的长度和时间尺度上的材料性能。这些技术包括模拟原子和分子的分子动力学，以及模拟大象越过桥梁时桥梁运动的有限元软件。

以上这些模型都是基于复杂的物理驱动算法运行的，这些算法通常以数值方式求解一些微分方程而告终。机器学习和AI驱动的材料开发则建立在这些建模尝试的基础上，或者通过训练机器，从现有数据中学习材料的行为来超越它们。机器可能知道一些物理原理，但是没有建立起“如果是，那就是”这种逻辑关系。而AI则通过观察“在相似情况下的一系列相似项目的行为”来学习事物。但是，材料AI的真正力量，是机器利用其自身的物理和化学知识，观察不同环境下的某物的不同行为，来学习某物。

材料的基因？

在早期的工作中，杜克大学的一个团队为晶体创建了“指纹”，即为一种材料选定唯一的物理和化学性质的视觉表示，并以此来预测新的超导体。目前，该算法在测试数据上运行良好，某些预测的成分已被证明确具超导性。

此外，材料科学家们一直有一个“固执”的想法，那就是为任何给定材料创建一个唯一的表示形式（基因）。美国政府于2011年发起成立了材料基因组计划，旨在鼓励学术界和工业界采用AI来驱动材料的开发。但是，迄今为止，科学家们尚未找到合适的基因，考虑到材料的复杂程度，也不确定将来能否找到该基因。

例如，钛酸铅锆（PZT）是一种非常常见的压电陶瓷材料，能将电能转换为机械能，反之亦然。

然而，以正确的比例混合铅、锆和钛，并不总是能获得具有相同特性的同一种材料。PZT的性能受晶粒尺寸、晶粒形状、材料中的杂质、材料的微观空隙、畴形状和畴尺寸、对材料基板的夹持作用、材料本身的尺寸、烧结气氛和热电历史等诸多因素的影响。

那么，如何找到一种表达方式来表达所有这些参数呢？而且，即使能找到这样一个表示方式，我们又将如何确定该包含多少数据呢？这确实是个令人头疼的问题。

（根据能带结构和状态密度构造的材料指纹）

数据库之战

当前，以上问题尚无解。特别是，对某个指定属性进行预测所需的最少数据量，也没有达成共识。此外，大多数大型机器可读的属性数据库，在该领域中也尚不存在。人类通过数十年的实验和理论收集的数据，依然被尘封在文本和期刊文章中。因此，人工智能的第一步很可能是由数据平台行动计划驱动的。 

其中，最著名的两个例子是Materials Project和AFLOW Library。两者均为通过密度泛函理论（DFT）计算的材料计算数据库。Materials Project的数据库中有超过100万种材料，这些材料具有带状结构、压电、弹性等特性。目前，该数据库仍在快速增长，已经有超过5万名用户，其中大部分用户来自计算材料界。 

由于上述原因，作为必要的第一步，材料的计算（理论计算）数据与最终通过经验测量的材料性能并不完全相同。因此，除了理论数据库之外，我们还需要一个经验数据库，其中包含一个材料及其实验性质的列表。目前，这领域还没有一个全面的数据库。 

另外的一些举措来自使用ChemData Extractor等工具对科学文本进行自然语言处理，该工具可以从文本中识别化学式和属性关系。这已被用来从文本集合中自动提取所选无机物的磁性。其他方法，特别是与材料合成相关的方法，主要依赖文本挖掘和合成数据生成，例如使用变分自动编码器。

尽管如此，语义属性－处理－性能关系的提取，目前仍处于起步阶段，而且这可能是材料科学AI发展中的最大瓶颈。

材料的深度学习

当深度学习应用于图像时，可自动完成一些劳动密集型任务，例如，识别电子显微镜图像中的缺陷，读取X射线衍射光谱并对“相”进行标记。美国橡树岭国家实验室的一个小组演示了如何训练卷积神经网络（CNN）来识别透射电子显微镜图像中的空穴缺陷。其他研究小组已经则展示了CNN如何在图像中捕捉细微的特征，如晶粒的大小、分布和晶粒取向，并根据材料的显微结构对其进行精确分类。

在另一个层面上，深度学习正在简化通常需要用到超级计算机才能完成的密度泛函理论（DFT）计算。加州大学尔湾分校完成的工作中，已应用深度学习来近似密度泛函理论，来计算材料中的电子分布。这种简化的DFT计算通常是最好的材料建模方法，已广泛应用于物理和化学的许多分支。

（无机三元金属氮化物图，用最低形成能的三元氮化物的热力学稳定性着色）

在另一个路径上，我们开始看到自动化高通量实验进入材料科学领域。这些都是自动化的系统，一次可执行数千个实验，然后进行表征和测量。这使得人们可以快速有效地扫描相空间。

例如，美国国家可再生能源实验室的高通量实验数据库，包含了超过1307个样品库和60000多个通过共溅射金属制备的薄膜样品。该数据库包含了这些材料的显微结构、电学和光学信息，可供公众查阅。

在这个方向上的其他工作，包括开发一种自主研究系统（ARES），以可控制的速率来生长碳纳米管，而其他研究小组已将这种方法应用于有机物的合成以及镍钛形状记忆合金的开发。这些方法的效率远胜过人工方法，而且势必将改变“未来材料科学家”的读博进程——因为大多数的博士研究生可能会被机器人取代！

最终，随着机器和算法或将全面接管实验室和人类“思考”过程，人类也需要重新认识材料科学。材料是什么？我们对材料究竟了解多少？神经网络是否有可识别出更高维度的材料特性－一种我们脑海从未现象过百维怪兽？

或许，一种新的材料科学本体将由机器人和人类共同构建。

应许之地

有时候，我们对于渴望的东西，总是表现得相当迫切。如果近期之内，我们达不到目标，就会心慌，忧虑，甚至无所适从。

其实，一切都不用急。这世间所有的一切，都有因果。该来的东西，自然会来；该走的，也会离开。即使你再着急，仍然于事无补。不如耐心等待，只要时机到了，所有该来的都会来的。

正如巴鲁赫·斯宾诺莎所言：“凡受理性指导的人，亦即以理性作指针而寻求自己的利益的人，他们所追求的东西，也即是他们为别人而追求的东西。”

参考资料

https://matmatch.com/blog/the-age-of-artificial-intelligence-in-materials-science-part-one/

https://matmatch.com/blog/the-age-of-artificial-intelligence-in-materials-science-part-two/

https://www.iso.org/isofocus_137.html

	❤ 请关注 微信公众号: steeltuber.  转载请保留链接: http://www.josen.net/Steel-Knowledge/1595472967.html