美国研究者借助机器学习算法，利用“废弃”数据成功预测新材料的合成，引发学界激论：人工智能真能加速发现神奇新材料吗？该研究所用的“计算材料学”结合计算机模型和机器学习，是对传统研究方法的革新。计算机科学和人工智能的影响已经拓展到越来越多的领域，机器学习或将改变未来科研方式。
发现一种新的材料是非常艰难的过程，通常要经历无数次失败，偶尔在机缘巧合之下取得成果，还要费劲功夫反向检测这种新材料的性质。但有一批材料科学家转换思路，使用计算机模型和机器学习算法生成海量假想的材料，建立数据库，从中筛选出值得合成的材料，再通过检索这些材料可能拥有的性质进行具体应用测试，比如将这种材料用作导体表现如何、用作绝缘体性能又如何、这种材料是否具有磁性、那种材料的抗压力是多少。
2016年5月5日，Nature 将一篇机器学习算法改变材料发现方式的论文放上封面，并提出“从失败中学习”：美国研究者利用机器学习算法，用失败或不成功的实验数据预测了新材料的合成，并且在实验中机器学习模型预测的准确率超过了经验丰富的化学家，这意味着机器学习将改变传统材料发现方式，发明新材料的可能性也大幅提高。
使用计算机模型和机器学习算法的好处在于，失败的实验数据也能用作下一轮的输入，继而不断完善算法。伦敦帝国学院研究副院长、材料科学家 Neil Alford 以观察者身份发表评论，这种做法代表了实验科学和理论科学的真正融合。
加州大学伯克利分校的材料科学家 Gerbrand Ceder 在接受 Nature 记者采访时说，使用机器学习算法有望大幅提高新材料发现的速度和效率。Ceder 是最早开始使用计算模型和机器学习生成假想材料的科学家之一，他以化合物磷酸铁锂为例：磷酸铁锂最初于 20 世纪 30 年代被合成，但当时世人并不认为这种材料会有多大用途，直到 1996 年科学家发现磷酸铁锂大有取代现有锂离子电池的可能。
哈佛大学的研究者采用计算材料科学思路，使用“失败”数据，成功完成了这篇被选为本期 Nature 封面的论文。
有了机器学习，再也不怕失败了
论文标题：Machine-learning-assisted materials discovery using failed experiments
作者：Paul Raccuglia、Katherine C. Elbert、Philip D. F. Adler、Casey Falk、Malia B. Wenny、Aurelio Mollo、Matthias Zeller、Sorelle A. Friedler、Joshua Schrier、Alexander J. Norquist
来源：Nature 533, 73–76 (05 May 2016) doi:10.1038/nature17439
使用失败实验在机器学习辅助下进行材料发现（摘译）
对诸如有机模板合成的金属氧化物、金属有机骨架（MOF）和有机卤化钙钛矿等无机-有机杂化材料的研究已经持续了数十年。水热法和（非水）溶剂热合成已经产生了数千种新材料，这些新材料几乎包含了元素周期表中的所有元素。然而，我们仍未充分理解这些化合物的形成过程，对新化合物的开发主要依靠试探性合成。在Materials Genome Initiative的推动下，计算机模拟和数据驱动的方法成为对实验试错方法的替代选择。三个主要的策略是：基于模拟来预测材料的电荷迁移率、光生伏打性质、气体吸附能力和锂离子嵌入等物理性质，从而确定那些有前景的合成对象。通过整合高通量合成与测量工具，从大规模实验数据中确定材料的结构-性质关系。基于诸如沸石结构分类和气体吸附性能等相似的晶体结构，对材料进行聚类。
在这里，我们展示了用反应数据训练机器学习算法，继而预测模板合成的钒亚硒酸盐结晶过程的反应结果。我们使用未发表的“黑暗”反应信息，这些反应信息来自那些失败或未成功的水热合成实验。我们从实验室的笔记本档案中收集了这些信息，并运用化学信息学技术为笔记本中的原始数据添加了理化性质描述。我们用由此产生的数据训练机器学习模型预测反应能否成功。当使用先前未经测试的、市场有售的有机砌块进行水热合成实验时，我们的机器学习模型获得了比传统人类策略更好的效果，并成功预测了有机模板合成的无机物的形成条件，成功率达 89%。对机器学习模型进行反演后，可以揭示出关于成功产物形成条件的崭新假设。
实验中机器学习模型反馈机制示意图
图1｜“黑暗”反应的反馈机制示意图。使用从历史反应数据中产生的机器学习模型推荐可供执行的新反应，并产生关于结晶过程的假设，这些假设可以被人类解读。另，SVM 是支持向量机的缩写。来源：Nature 533, 73–76
机器学习模型超越传统人类策略
图2｜关于模板合成的钒亚硒酸盐晶体形成的实验结果比较，以胺相似度为横轴。深色条表示机器学习模型的预测，浅色条表示传统的人类策略。产生了多晶和大单晶产物的反应分别显示为蓝色和绿色。纵轴显示了反应出现所指示的结果的概率。机器学习模型比人类策略更成功地预测了晶体形成的条件，无论用模板合成的胺数据库中已知实例时所具有的系统相似性如何。来源：Nature 533, 73–76
电池网微信
