机器学习在新材料筛选方面的应用进展

doi:10.6023/A22110446

化学学报 ›› 2023, Vol. 81 ›› Issue (2): 158-174.DOI: 10.6023/A22110446 上一篇下一篇

综述

机器学习在新材料筛选方面的应用进展

戚兴怡, 胡耀峰, 王若愚, 杨雅清, 赵宇飞^*()

北京化工大学化学学院化工资源有效利用国家重点实验室北京 100029

投稿日期:2022-11-01 发布日期:2022-12-23
通讯作者: 赵宇飞

作者简介:

戚兴怡, 北京化工大学化学学院化学专业在读研究生. 2022年6月于北京化工大学化学学院应用化学专业获得学士学位.

胡耀峰, 北京化工大学化学学院化学专业在读本科生.

赵宇飞, 北京化工大学化学学院教授, 博士生导师. 入选中国科协“青年人才托举工程”计划, 2019年度国家自然科学基金优秀青年科学基金获得者. 工作围绕水滑石基二维插层材料的可控合成及精细结构表征, 面向高值精细化学品的光/电催化合成. 近年来以第一/通讯作者在Chem. Soc. Rev.、J. Am. Chem. Soc.、Angew. Chem.、Adv. Mater.、Chem、Joule、Ind. Eng. Chem. Res.等期刊上发表SCI收录论文30余篇; 累计SCI他引4500余次; 5篇入选ESI高被引论文, 已授权国家发明专利19项.

^†同等贡献

基金资助:
国家自然科学基金(21922801); 国家自然科学基金(22090032); 国家自然科学基金(22090030); 北京自然科学基金(2202036)

Recent Advance of Machine Learning in Selecting New Materials

Xingyi Qi, Yaofeng Hu, Ruoyu Wang, Yaqing Yang, Yufei Zhao()

State Key Laboratory of Chemical Resource Engineering, College of Chemistry, Beijing University of Chemical Technology, Beijing 100029

Received:2022-11-01 Published:2022-12-23
Contact: Yufei Zhao
About author:
^†Contributed equally to this work
Supported by:
National Natural Science Foundation of China(21922801); National Natural Science Foundation of China(22090032); National Natural Science Foundation of China(22090030); Natural Science Foundation of Beijing(2202036)

文章分享

摘要/Abstract

新材料产业是许多相关领域技术变革的基础, 也是新能源、航空航天、电子信息等高新技术产业发展的先导. 传统研发手段由于成本高、效率低、商业化周期长等不利因素无法满足现代社会的发展需求. 近年来大数据与人工智能不断深入结合, 以数据驱动为核心的机器学习在新材料设计、筛选以及性能预测等方面取得巨大进展, 极大促进了新材料的研发与应用. 本综述总结了机器学习的基本过程及其在材料科学中常用的算法和相关材料数据库, 重点介绍了机器学习在不同功能上的应用以及在催化剂材料、锂离子电池、半导体材料和合金材料等领域的性能预测和材料开发中的最新进展, 并对其下一步在新材料应用方面提出展望.

关键词: 机器学习, 材料科学, 材料基因组, 高通量计算

The new material industry is the foundation of technological change in many related fields, and also the forerunner of the development of new energy, aerospace, electronic information and other high-tech industries. Traditional means cannot meet the development needs of modern society because of disadvantages such as high cost, low efficiency and long commercial cycle. In recent years, with the application of big data combined with artificial intelligence in a deeper degree, data-driven machine learning has made great progress in the design, screening and performance prediction of new materials, which has greatly promoted the development and application of new materials. In this review, the basic process of machine learning, the algorithms commonly used in materials science and the relevant materials database are summarized. This review focuses on the application of machine learning in different functions, as well as the performance prediction in the fields of catalyst materials, lithium-ion batteries, semiconductor materials and alloy materials, presenting the latest progress in materials development. Finally, machine learning in the application of new materials are analyzed and prospected.

Key words: machine learning, materials science, material genome, high throughput computing

引用此文

戚兴怡, 胡耀峰, 王若愚, 杨雅清, 赵宇飞. 机器学习在新材料筛选方面的应用进展[J]. 化学学报, 2023, 81(2): 158-174.

Xingyi Qi, Yaofeng Hu, Ruoyu Wang, Yaqing Yang, Yufei Zhao. Recent Advance of Machine Learning in Selecting New Materials[J]. Acta Chimica Sinica, 2023, 81(2): 158-174.

导出引用 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

分享此文

图/表 14

图1. 加速新材料探索方法的过程[3]

Figure 1. Accelerate the process of exploring new materials[3]

图2. ML研究的结果主要包括(a)欠拟合, (b)正确拟合和(c)过拟合[19]

Figure 2. The results of ML researches which mainly include (a) underfitting, (b) correct fitting and (c) overfitting[19]

图3. 决策树的示例[22]

Figure 3. Example of a decision tree[22]

图4. 神经网络算法的工作原理[19]

Figure 4. The working principle of the algorithm of ANN[19]

数据库名称	数据库简介	数据库网址	所属机构
Materials Project (MP)	MP提供了超过13万个无机化合物的结构信息以及性质, 存储了几乎所有的晶体材料和高通量材料的性质计算信息(包括能带态密度信息、电池材料的充放电曲线、相图等). 但MP中目前仅有50%的结构拥有电子结构信息.	https://materialsproject.org/	美国麻省理工学院等
The Open Quantum Materials Database (OQMD)	OQMD可以清楚地显示出材料的相图, 目前该数据库钙钛矿数据居多. OQMD可快速预测任意化合物的热力学性质并推测其稳定性. OQMD包含大量易于计算的合金材料, 但目前对离子化合物的相图刻画非常不全面, 且数据质量参差不齐.	http://oqmd.org/	美国西北大学
Aflowlib	目前AFLOWLIB拥有超过100万种的材料. 其包含成千上万的假想材料, 其中许多在实际中仅能存在极短时间. 该系统可以以已知的晶体结构为基础, 自动预测新的晶体结构.	http://aflowlib.org/	美国杜克大学
Atomly	Atomly拥有30余万种无机晶体材料的详细电子结构信息(能带、态密度等)以及近4万组热力学相关的相图. 其可迅速预测新材料热力学数据等, 进而指导新材料设计、预测合成难度等. 目前平台仍有大量材料的介电函数、声子谱等数据尚未进行分析计算.	https://atomly.net	中国科学院物理研究所
机数大材库(dcaiku)	机数大材库包含9448万分子基础化合物及相应性能数据, 同时也包括经理论计算获得的部分理论性质. 该数据库也整合了分子结构检索功能, 方便用户直观快捷的结构搜索, 与此同时还提供基于WebGL技术的分子3D模型展示, 用于实时交互式观察分子结构.	http://www.dcaiku.com/#/	中国合肥机数量子科技有限公司
非线性光学材料数据库	非线性光学材料数据库包含材料的化学式、空间群、ICSD编号, 用DFT方法计算的带隙、折射率、双折射、倍频系数等性质. 此外, 该数据库提供综合检索功能, 可通过元素组成、材料体系、材料性能等检索出满足要求的材料.	http://nlo.hbu.cn	中国河北大学

数据库名称	数据库简介	数据库网址	所属机构
Materials Project (MP)	MP提供了超过13万个无机化合物的结构信息以及性质, 存储了几乎所有的晶体材料和高通量材料的性质计算信息(包括能带态密度信息、电池材料的充放电曲线、相图等). 但MP中目前仅有50%的结构拥有电子结构信息.	https://materialsproject.org/	美国麻省理工学院等
The Open Quantum Materials Database (OQMD)	OQMD可以清楚地显示出材料的相图, 目前该数据库钙钛矿数据居多. OQMD可快速预测任意化合物的热力学性质并推测其稳定性. OQMD包含大量易于计算的合金材料, 但目前对离子化合物的相图刻画非常不全面, 且数据质量参差不齐.	http://oqmd.org/	美国西北大学
Aflowlib	目前AFLOWLIB拥有超过100万种的材料. 其包含成千上万的假想材料, 其中许多在实际中仅能存在极短时间. 该系统可以以已知的晶体结构为基础, 自动预测新的晶体结构.	http://aflowlib.org/	美国杜克大学
Atomly	Atomly拥有30余万种无机晶体材料的详细电子结构信息(能带、态密度等)以及近4万组热力学相关的相图. 其可迅速预测新材料热力学数据等, 进而指导新材料设计、预测合成难度等. 目前平台仍有大量材料的介电函数、声子谱等数据尚未进行分析计算.	https://atomly.net	中国科学院物理研究所
机数大材库(dcaiku)	机数大材库包含9448万分子基础化合物及相应性能数据, 同时也包括经理论计算获得的部分理论性质. 该数据库也整合了分子结构检索功能, 方便用户直观快捷的结构搜索, 与此同时还提供基于WebGL技术的分子3D模型展示, 用于实时交互式观察分子结构.	http://www.dcaiku.com/#/	中国合肥机数量子科技有限公司
非线性光学材料数据库	非线性光学材料数据库包含材料的化学式、空间群、ICSD编号, 用DFT方法计算的带隙、折射率、双折射、倍频系数等性质. 此外, 该数据库提供综合检索功能, 可通过元素组成、材料体系、材料性能等检索出满足要求的材料.	http://nlo.hbu.cn	中国河北大学

表1. 部分材料数据库平台简介

Table 1. Part of the material database platform introduction

表1. 部分材料数据库平台简介

Table 1. Part of the material database platform introduction

图5. 高通量筛选结果和实验验证[33]. (a) 筛选出的适用于CLAS的热图; (b) CLAS测试样品的氧容量、回收率和可用容量的实验结果; (c)在950 ℃下筛选出的适用于基于CL的CO2/H2O裂解材料的热图; (d) CO2裂解测试样品的合成气产量和CO2转化率实验结果

Figure 5. High throughput screening results and experimental validations[33]. (a) A heatmap of the screened candidates for CLAS; (b) experimental oxygen capacity, recovery and usable capacity of the samples tested for CLAS; (c) a heatmap of the screened promising candidates for CL CO2/H2O splitting at 950 ℃; (d) experimental syngas yield and CO2 conversion of the samples tested for CL CO2 splitting

图6. (a)测试带隙EgPBE与预测带隙EgML的拟合情况[38]; (b) ML模型的带隙容忍因子散点图[38]; (c)机器学习数据集对应的G0W0带隙分布[39]; (d) bagging算法计算主要特征的重要性[39]

Figure 6. (a) The fitting results of test bandgaps EgPBE and predicted bandgaps EgML[38]; (b) scatter plots of tolerance factors against the bandgaps for the prediction dataset from trained ML model[38]; (c) the distribution of G0W0 band gaps corresponding to the data set for machine learning[39]; (d) primary feature importance calculated through bagging method[39]

图7. 纳米级物质的电子断层扫描. (A~C)单晶Pt颗粒的径向应变图(A)、拟合晶格参数(B)和平均径向应变值(C); (D~F)噬菌体的分割. (D)图像系列和(E)密度图显示噬菌体(洋红色)从液体背景(青色)的分割. (F)噬菌体颗粒的倾斜图像. (G)重建后聚酰胺膜的2D切片和3D视图. (H)解决各种投影和内部空隙(紫色)的3D数据集中分割出的单个皱褶[46]

Figure 7. Electron tomography for nanoscale matter. (A~C) Radial strain maps (A), fitted lattice parameters (B), and averaged radial strain values (C) of single-crystalline Pt particles. (D~F) Segmentation of a bacteriophage. (D) Image series and (E) density maps showing the segmentation of a bacteriophage (magenta) from the liquid background (cyan). (F) Tilt images of a phage particle. (G) 2D slice and 3D view of the polyamide membrane after reconstruction. (H) Individual crumples segmented from the 3D data set resolving various projections and interior void (purple)[46]

图8. 跟踪复杂缺陷在表面上的转换. (a~d)基于STEM的石墨烯表面缺陷转换跟踪; (e~h)通过将全卷积网络、高斯拉普拉斯算子和图形表示应用于(a~d)中数据进而提取出的相应单缺陷结构[49]

Figure 8. Tracking complex defect transformations on the surface. (a~d) STEM based tracking of defect transformations on graphene surface; (e~h) corresponding single defect structures extracted by applying FCN, LoG and graph representations to data in (a~d)[49]

图9. 量子力学/分子力学和机器学习模型的溶剂化自由能计算[55]

Figure 9. Solvation free energy calculations with quantum mechanics/ molecular mechanics and machine learning models[55]

图10. 基于DFT的ML在卤化钙钛矿稳定性工程中的原理及策略[70]

Figure 10. Schematic strategy of ML based on DFT for high-throughput stability engineering of halide perovskites[70]

图11. DXXX-OPV3-XXXD系统. (a) DXXX-OPV3-XXXD肽单体的化学结构; (b) 由DVAA-OPV3-VAAD肽单体自发结合成线性堆叠形成的自组装伪一维纳米聚集体的分子模拟快照; (c) DFFG-OPV3-GFFD肽在酸性环境中形成的自组装原纤维的实验透射电子显微镜(TEM)图像; (d) 从DGAG-OPV3-GAGD全原子结构到进行本工作模拟的粗粒度表示的映射说明[79]

Figure 11. DXXX-OPV3-XXXD system. (a) Chemical structure of the prototypical DXXX-OPV3-XXXD peptide monomer; (b) molecular simulation snapshot of a self-assembled pseudo-1D nanoaggregate formed by the spontaneous association of DVAA-OPV3-VAAD peptide monomers into a linear stack; (c) experimental transmission electron microscopy (TEM) image of self-assembled fibrils formed by DFFG-OPV3-GFFD peptides in an acidic environment; (d) illustration of the mapping from the DGAG-OPV3-GAGD all-atom structure to the coarse-grained representation at which the simulations in this work are conducted[79]

图12. (a) 基于机器学习的分割的工作流程; (b) 一些代表性粒子的常规分割结果与机器学习辅助分割结果的比较[91]

Figure 12. (a) Workflow of the machine learning-based segmentation; (b) comparison of conventional segmentation results and the machine-learning- assisted segmentation results for a few representative particles[91]

图13. (a) CO2还原的活度图[100]; (b) CO2还原的选择性图[100]; (c) 通过因子分析得到14个描述符的载荷大小[102]; (d) 带隙分析结果: 为带隙构建决策树[105]

Figure 13. (a) A two-dimensional activity volcano plot for CO2 reduction[100]; (b) a two-dimensional selectivity volcano plot for CO2 reduction[100]; (c) loading magnitudes for the 14 descriptors obtained by factor analysis[102]; (d) results of the analysis of band gaps: decision tree constructed for band gaps[105]

参考文献 138

[1]	Correa-Baena, J.-P.; Hippalgaonkar, K.; van Duren, J.; Jaffer, S.; Chandrasekhar, V. R.; Stevanovic, V.; Wadia, C.; Guha, S.; Buonassisi, T. Joule. 2018, 2, 1410. doi: 10.1016/j.joule.2018.05.009
[2]	Feng, N.; Wang, H. J.; Li, M. Inf. Sci. 2014, 256, 57. doi: 10.1016/j.ins.2013.02.036
[3]	Chen, A.; Zhang, X.; Zhou, Z. InfoMat. 2020, 2, 553. doi: 10.1002/inf2.12094
[4]	Ramprasad, R.; Batra, R.; Pilania, G.; Mannodi-Kanakkithodi, A.; Kim, C. Npj Comput. Mater. 2017, 3, 1. doi: 10.1038/s41524-016-0004-9
[5]	Hachmann, J.; Olivares-Amaya, R.; Atahan-Evrenk, S.; Amador- Bedolla, C.; Sánchez-Carrera, R. S.; Gold-Parker, A.; Vogt, L.; Brockway, A. M.; Aspuru-Guzik, A. J. Phys. Chem. Lett. 2011, 2, 2241. doi: 10.1021/jz200866s
[6]	Kirklin, S.; Saal, J. E.; Meredig, B.; Thompson, A.; Doak, J. W.; Aykol, M.; Rühl, S.; Wolverton, C. Npj Comput. Mater. 2015, 1, 1.
[7]	Curtarolo, S.; Setyawan, W.; Hart, G. L.; Jahnatek, M.; Chepulskii, R. V.; Taylor, R. H.; Wang, S.; Xue, J.; Yang, K.; Levy, O. Comput. Mater. Sci. 2012, 58, 218. doi: 10.1016/j.commatsci.2012.02.005
[8]	Sun, Z. T.; Li, Z. Z.; Cheng, G. J.; Xu, Q. C.; Hou, Z. F.; Yin, W. J. Chin. Sci. Bull. 2019, 64, 3270. (in Chinese)
	(孙中体, 李珍珠, 程观剑, 徐其琛, 侯柱锋, 尹万健, 科学通报, 2019, 64, 3270.)
[9]	Suh, C.; Fare, C.; Warren, J. A.; Pyzer-Knapp, E. O. Annu. Rev. Mater. Res. 2020, 50, 1. doi: 10.1146/annurev-matsci-082019-105100
[10]	Butler, K. T.; Davies, D. W.; Cartwright, H.; Isayev, O.; Walsh, A. Nature. 2018, 559, 547. doi: 10.1038/s41586-018-0337-2
[11]	Zhu, B. Y.; Wu, R. L.; Yu, X. Acta Chim. Sinica. 2020, 78, 1366. (in Chinese) doi: 10.6023/A20070306
	(朱博阳, 吴睿龙, 于曦, 化学学报, 2020, 78, 1366.) doi: 10.6023/A20070306
[12]	Sun, Y. M.; Liao, H. B.; Wang, J. R.; Chen, B.; Sun, S. N.; Ong, S. J. H.; Xi, S. B.; Diao, C. Z.; Du, Y. H.; Wang, J. O.; Breese, M. B. H.; Li, S. Z.; Zhang, H.; Xu, Z. C. J. Nat. Catal. 2020, 3, 554. doi: 10.1038/s41929-020-0465-6
[13]	Deringer, V. L.; Bernstein, N.; Csanyi, G.; Ben Mahmoud, C.; Ceriotti, M.; Wilson, M.; Drabold, D. A.; Elliott, S. R. Nature. 2021, 589, 59. doi: 10.1038/s41586-020-03072-z
[14]	Cai, C. Z.; Li, L. F.; Deng, X. M.; Li, S. H.; Liang, H.; Qiao, Z. W. Acta Chim. Sinica. 2020, 78, 427. (in Chinese) doi: 10.6023/A20030065
	(蔡铖智, 李丽凤, 邓小梅, 李树华, 梁红, 乔智威, 化学学报, 2020, 78, 427.) doi: 10.6023/A20030065
[15]	Sheng, Y.; Wu, Y. S.; Yang, J.; Lu, W. C.; Villars, P.; Zhang, W. Q. Npj Comput. Mater. 2020, 6, 1. doi: 10.1038/s41524-019-0267-z
[16]	Luo, H.; Sohn, S. S.; Lu, W. J.; Li, L. L.; Li, X. G.; Soundararajan, C. K.; Krieger, W.; Li, Z. M.; Raabe, D. Nat. Commun. 2020, 11, 1. doi: 10.1038/s41467-019-13993-7
[17]	Lin, H.; Zheng, J. X.; Lin, Y.; Pan, F. Energy. Stor. Sci. Technol. 2017, 6, 990. (in Chinese)
	(林海, 郑家新, 林原, 潘锋, 储能科学与技术, 2017, 6, 990.)
[18]	Pei, J. F.; Cai, C. Z.; Zhu, Y. M.; Yan, B. Macromol. Theory Simul. 2013, 22, 52. doi: 10.1002/mats.201200072
[19]	Juan, Y.; Dai, Y.; Yang, Y.; Zhang, J. J. Mater. Sci. Technol. 2021, 79, 178. doi: 10.1016/j.jmst.2020.12.010
[20]	Wang, H.; Ji, Y.; Li, Y. Wiley Interdiscip. Rev.: Comput. Mol. Sci. 2019, 10, e1421.
[21]	Mi, X. X.; Tang, A. T.; Zhu, Y. C.; Kang, L.; Pan, F. S. Mater. Rep. 2021, 15, 1. (in Chinese)
	(米晓希, 汤爱涛, 朱雨晨, 康靓, 潘复生, 材料导报, 2021, 15, 1.)
[22]	Somvanshi, M.; Chavan, P.; Tambade, S.; Shinde, S. V. ICCUBEA. 2016, pp. 1-7.
[23]	Diamantopoulou, M. J.; Papamichail, D. M.; Antonopoulos, V. Z. Oper. Res. 2005, 5, 115.
[24]	Goh, G. B.; Hodas, N. O.; Vishnu, A. J. Comput. Chem. 2017, 38, 1291. doi: 10.1002/jcc.24764
[25]	Fang, S.; Wang, M.; Qi, W.; Zheng, F. Comput. Mater. Sci. 2008, 44, 647. doi: 10.1016/j.commatsci.2008.05.010
[26]	Wei, J.; Chu, X.; Sun, X. Y.; Xu, K.; Deng, H. X.; Chen, J.; Wei, Z.; Lei, M. InfoMat. 2019, 1, 338. doi: 10.1002/inf2.12028
[27]	Kalidindi, S. R.; De Graef, M. Annu. Rev. Mater. Res. 2015, 45, 171. doi: 10.1146/annurev-matsci-070214-020844
[28]	Liu, Y.; Zhao, T.; Ju, W.; Shi, S. J. Materiomics. 2017, 3, 159. doi: 10.1016/j.jmat.2017.08.002
[29]	Liu, Y.; Niu, C.; Wang, Z.; Gan, Y.; Zhu, Y.; Sun, S.; Shen, T. J. Mater. Sci. Technol. 2020, 57, 113. doi: 10.1016/j.jmst.2020.01.067
[30]	Liu, Z. L.; Li, W.; Liu, H.; Zhuang, X, D.; Li, S. Acta Chim. Sinica. 2019, 77, 323. (in Chinese) doi: 10.6023/A18120497
	(刘治鲁, 李炜, 刘昊, 庄旭东, 李松, 化学学报, 2019, 77, 323.) doi: 10.6023/A18120497
[31]	Lian, Z.; Yang, M.; Jan, F.; Li, B. J. Phys. Chem. Lett. 2021, 12, 7053. doi: 10.1021/acs.jpclett.1c00927 pmid: 34291938
[32]	Zhang, Q.; Zheng, Y. J.; Sun, W.; Ou, Z.; Odunmbaku, O.; Li, M.; Chen, S.; Zhou, Y.; Li, J.; Qin, B.; Sun, K. Adv. Sci. 2022, 9, 2104742. doi: 10.1002/advs.202104742
[33]	Wang, X.; Gao, Y.; Krzystowczyk, E.; Iftikhar, S.; Dou, J.; Cai, R.; Wang, H.; Ruan, C.; Ye, S.; Li, F. Energy Environ. Sci. 2022, 15, 1512. doi: 10.1039/D1EE02889H
[34]	Jie, J.; Hu, Z.; Qian, G.; Weng, M.; Li, S.; Li, S.; Hu, M.; Chen, D.; Xiao, W.; Zheng, J.; Wang, L.; Pan, F. Sci. Bull. 2019, 64, 612. doi: 10.1016/j.scib.2019.04.015
[35]	Faber, F.; Lindmaa, A.; von Lilienfeld, O. A.; Armiento, R. Int. J. Quantum. Chem. 2015, 115, 1094. doi: 10.1002/qua.24917
[36]	Nolan, A. M.; Liu, Y.; Mo, Y. ACS Energy Lett. 2019, 4, 2444. doi: 10.1021/acsenergylett.9b01703
[37]	Bartel, C. J.; Trewartha, A.; Wang, Q.; Dunn, A.; Jain, A.; Ceder, G. Npj Comput. Mater. 2020, 6, 1. doi: 10.1038/s41524-019-0267-z
[38]	Lu, S.; Zhou, Q.; Ouyang, Y.; Guo, Y.; Li, Q.; Wang, J. Nat Commun. 2018, 9, 1. doi: 10.1038/s41467-017-02088-w
[39]	Rajan, A. C.; Mishra, A.; Satsangi, S.; Vaish, R.; Mizuseki, H.; Lee, K.-R.; Singh, A. K. Chem. Mater. 2018, 30, 4031. doi: 10.1021/acs.chemmater.8b00686
[40]	Stanev, V.; Oses, C.; Kusne, A. G.; Rodriguez, E.; Paglione, J.; Curtarolo, S; Takeuchi, I. Npj Comput. Mater. 2018, 4, 1. doi: 10.1038/s41524-017-0060-9
[41]	Owolabi, T. O.; Akande, K. O.; Olatunji, S. O. Adv. Phys. Theor. Appl. 2014, 35, 12.
[42]	Xie, S.; Stewart, G.; Hamlin, J.; Hirschfeld, P.; Hennig, R. Phys. Rev. B. 2019, 100, 174513. doi: 10.1103/PhysRevB.100.174513
[43]	Allen, P. B.; Dynes, R. Phys. Rev. B. 1975, 12, 905. doi: 10.1103/PhysRevB.12.905
[44]	Bartel, C. J.; Sutton, C.; Goldsmith, B. R.; Ouyang, R.; Musgrave, C. B.; Ghiringhelli, L. M.; Scheffler, M. Sci. Adv. 2019, 5, eaav0693. doi: 10.1126/sciadv.aav0693
[45]	Chen, X.; Chen, D.; Weng, M.; Jiang, Y.; Wei, G. W.; Pan, F. J. Phys. Chem. Lett. 2020, 11, 4392. doi: 10.1021/acs.jpclett.0c00974 pmid: 32320253
[46]	Timoshenko, J.; Lu, D.; Lin, Y.; Frenkel, A. I. J. Phys. Chem. Lett. 2017, 8, 5091. doi: 10.1021/acs.jpclett.7b02364 pmid: 28960990
[47]	Ou, Z.; Liu, C.; Yao, L.; Chen, Q. Acc. Mater. Res. 2020, 1, 41. doi: 10.1021/accountsmr.0c00013
[48]	LeCun, Y.; Bengio, Y.; Hinton, G. Nature. 2015, 521, 436. doi: 10.1038/nature14539
[49]	Ziatdinov, M.; Dyck, O.; Maksov, A.; Li, X.; Sang, X.; Xiao, K.; Unocic, R. R.; Vasudevan, R.; Jesse, S.; Kalinin, S. V. ACS Nano. 2017, 11, 12742. doi: 10.1021/acsnano.7b07504 pmid: 29215876
[50]	Kwoen, J.; Arakawa, Y. Cryst. Growth Des. 2020, 20, 5289. doi: 10.1021/acs.cgd.0c00506
[51]	Nada, H. ACS Omega. 2018, 3, 5789. doi: 10.1021/acsomega.8b00401
[52]	Fortunato, M. E.; Coley, C. W.; Barnes, B. C.; Jensen, K. F. J. Chem. Inf. Model. 2020, 60, 3398. doi: 10.1021/acs.jcim.0c00403 pmid: 32568548
[53]	Ramakrishnan, R.; Dral, P. O.; Rupp, M.; von Lilienfeld, O. A. J. Chem. Theory Comput. 2015, 11, 2087. doi: 10.1021/acs.jctc.5b00099 pmid: 26574412
[54]	Dral, P. O. J. Phys. Chem. Lett. 2020, 11, 2336. doi: 10.1021/acs.jpclett.9b03664
[55]	Zhang, P.; Shen, L.; Yang, W. J. Phys. Chem. B. 2018, 123, 901. doi: 10.1021/acs.jpcb.8b11905
[56]	Dral, P. O.; von Lilienfeld, O. A.; Thiel, W. J. Chem. Theory Comput. 2015, 11, 2120. doi: 10.1021/acs.jctc.5b00141
[57]	Brockherde, F.; Vogt, L.; Li, L.; Tuckerman, M. E.; Burke, K.; Müller, K.-R. Nat. Commun. 2017, 8, 1. doi: 10.1038/s41467-016-0009-6
[58]	Chandrasekaran, A.; Kamal, D.; Batra, R.; Kim, C.; Chen, L.; Ramprasad, R. Npj Comput. Mater. 2019, 5, 1. doi: 10.1038/s41524-018-0138-z
[59]	Zhang, Z.; Zhang, Y.; Wang, J.; Xu, J.; Long, R. J. Phys. Chem. Lett. 2021, 12, 835. doi: 10.1021/acs.jpclett.0c03522
[60]	Shang, C.; Liu, Z.-P. J. Chem. Theory Comput. 2013, 9, 1838. doi: 10.1021/ct301010b
[61]	Shang, C.; Zhang, X.-J.; Liu, Z.-P. Phys. Chem. Chem. Phys. 2014, 16, 17845. doi: 10.1039/C4CP01485E
[62]	Huang, S.-D.; Shang, C.; Zhang, X.-J.; Liu, Z.-P. Chem. Sci. 2017, 8, 6327. doi: 10.1039/C7SC01459G
[63]	Huang, S.-D.; Shang, C.; Kang, P.-L.; Liu, Z.-P. Chem. Sci. 2018, 9, 8644. doi: 10.1039/C8SC03427C
[64]	Huang, S. D.; Shang, C.; Kang, P. L.; Zhang, X. J.; Liu, Z. P. Wiley Interdiscip. Rev. : Comput. Mol. Sci. 2019, 9, e1415.
[65]	Car, R.; Parrinello, M. Phys. Rev. Lett. 1985, 55, 2471. pmid: 10032153
[66]	Vanommeslaeghe, K.; Hatcher, E.; Acharya, C.; Kundu, S.; Zhong, S.; Shim, J.; Darian, E.; Guvench, O.; Lopes, P.; Vorobyov, I. J. Comput. Chem. 2010, 31, 671. doi: 10.1002/jcc.21367 pmid: 19575467
[67]	Wang, H.; Zhang, L.; Han, J.; Weinan, E. Comput. Phys. Commun. 2018, 228, 178. doi: 10.1016/j.cpc.2018.03.016
[68]	Yang, S. X. World. Nonferrous. Met. 2020, 14, 154. (in Chinese)
	(杨素心, 世界有色金属, 2020, 14, 154.)
[69]	Goldschmidt, V. M. Naturwiss. 1926, 14, 477. doi: 10.1007/BF01507527
[70]	Li, Z.; Xu, Q.; Sun, Q.; Hou, Z.; Yin, W. J. Adv. Funct. Mater. 2019, 29, 1807280. doi: 10.1002/adfm.201807280
[71]	Weng, B.; Song, Z.; Zhu, R.; Yan, Q.; Sun, Q.; Grice, C. G.; Yan, Y.; Yin, W. J. Nat Commun. 2020, 11, 3513. doi: 10.1038/s41467-020-17263-9
[72]	Feng, H.-J.; Wu, K.; Deng, Z.-Y. Cell Rep. Phys. Sci. 2020, 1, 100179.
[73]	Kirman, J.; Johnston, A.; Kuntz, D. A.; Askerka, M.; Gao, Y.; Todorović, P.; Ma, D.; Privé, G. G; Sargent, E. H. Matter. 2020, 2, 938. doi: 10.1016/j.matt.2020.02.012
[74]	He, Y.; Cubuk, E. D.; Allendorf, M. D.; Reed, E. J. J. Phys. Chem. Lett. 2018, 9, 4562. doi: 10.1021/acs.jpclett.8b01707
[75]	Gordillo, M. A.; Benavides, P. A.; Panda, D. K.; Saha, S. ACS Appl. Mater. Interfaces. 2020, 12, 12955. doi: 10.1021/acsami.9b20234
[76]	Mannodi-Kanakkithodi, A.; Toriyama, M. Y.; Sen, F. G.; Davis, M. J.; Klie, R. F.; Chan, M. K. Npj Comput. Mater. 2020, 6, 1. doi: 10.1038/s41524-019-0267-z
[77]	Chen, G.; Shen, Z.; Iyer, A.; Ghumman, U. F.; Tang, S.; Bi, J.; Chen, W.; Li, Y. Polymers. 2020, 12, 163. doi: 10.3390/polym12010163
[78]	Gormley, A. J.; Webb, M. A. Nat. Rev. Mater. 2021, 6, 642. doi: 10.1038/s41578-021-00282-3 pmid: 34394961
[79]	Shmilovich, K.; Mansbach, R. A.; Sidky, H.; Dunne, O. E.; Panda, S. S.; Tovar, J. D.; Ferguson, A. L. J. Phys. Chem. B. 2020, 124, 3873. doi: 10.1021/acs.jpcb.0c00708
[80]	Yan, C.; Feng, X.; Li, G. ACS Appl. Mater. Interfaces. 2021, 13, 60508. doi: 10.1021/acsami.1c20947
[81]	Webb, M. A.; Jackson, N. E.; Gil, P. S.; de Pablo, J. J. Sci. Adv. 2020, 6, eabc6216. doi: 10.1126/sciadv.abc6216
[82]	Giuntoli, A.; Hansoge, N. K.; van Beek, A.; Meng, Z.; Chen, W.; Keten, S. npj Comput. Mater. 2021, 7, 1. doi: 10.1038/s41524-020-00473-6
[83]	Writer, B.; Batteries, L.-I. A Machine-generated Summary of Current Research. Springer, Cham, Switzerland, 2019.
[84]	Ceder, G. MRS bull. 2010, 35, 693. doi: 10.1557/mrs2010.681
[85]	Li, W.; Zhu, J.; Xia, Y.; Gorji, M. B.; Wierzbicki, T. Joule. 2019, 3, 2703. doi: 10.1016/j.joule.2019.07.026
[86]	Severson, K. A.; Attia, P. M.; Jin, N.; Perkins, N.; Jiang, B.; Yang, Z.; Chen, M. H.; Aykol, M.; Herring, P. K.; Fraggedakis, D.; Bazant, M. Z.; Harris, S. J.; Chueh, W. C.; Braatz, R. D. Nat. Energy. 2019, 4, 383. doi: 10.1038/s41560-019-0356-8
[87]	Homma, K.; Liu, Y.; Sumita, M.; Tamura, R.; Fushimi, N.; Iwata, J.; Tsuda, K.; Kaneta, C. J. Phys. Chem. C. 2020, 124, 12865. doi: 10.1021/acs.jpcc.9b11654
[88]	Dixit, M. B.; Verma, A.; Zaman, W.; Zhong, X.; Kenesei, P.; Park, J. S.; Almer, J.; Mukherjee, P. P.; Hatzell, K. B. ACS Appl. Energy Mater. 2020, 3, 9534. doi: 10.1021/acsaem.0c02053
[89]	Panosetti, C.; Annies, S. B.; Grosu, C.; Seidlmayer, S.; Scheurer, C. J. Phys. Chem. A. 2021, 125, 691. doi: 10.1021/acs.jpca.0c09388 pmid: 33426892
[90]	Wang, Y.; Xie, T.; France-Lanord, A.; Berkley, A.; Johnson, J. A.; Shao-Horn, Y.; Grossman, J. C. Chem. Mater. 2020, 32, 4144. doi: 10.1021/acs.chemmater.9b04830
[91]	Jiang, Z.; Li, J.; Yang, Y.; Mu, L.; Wei, C.; Yu, X.; Pianetta, P.; Zhao, K.; Cloetens, P.; Lin, F. Nat. Commun. 2020, 11, 1. doi: 10.1038/s41467-019-13993-7
[92]	Sendek, A. D.; Antoniuk, E. R.; Cubuk, E. D.; Ransom, B.; Francisco, B. E.; Buettner-Garrett, J.; Cui, Y.; Reed, E. J. ACS Appl. Mater. Interfaces. 2020, 12, 37957. doi: 10.1021/acsami.9b19091
[93]	Sendek, A. D.; Cubuk, E. D.; Antoniuk, E. R.; Cheon, G.; Cui, Y.; Reed, E. J. Chem. Mater. 2018, 31, 342. doi: 10.1021/acs.chemmater.8b03272
[94]	Wang, C.; Aoyagi, K.; Wisesa, P.; Mueller, T. Chem. Mater. 2020, 32, 3741. doi: 10.1021/acs.chemmater.9b04663
[95]	Toyao, T.; Maeno, Z.; Takakusagi, S.; Kamachi, T.; Takigawa, I.; Shimizu, K.-i. ACS Catal. 2019, 10, 2260. doi: 10.1021/acscatal.9b04186
[96]	Kitchin, J. R. Nat. Catal. 2018, 1, 230. doi: 10.1038/s41929-018-0056-y
[97]	Sun, Z.; Yin, H.; Liu, K.; Cheng, S.; Li, G. K.; Kawi, S.; Zhao, H.; Jia, G.; Yin, Z. SmartMat. 2022, 3, 68. doi: 10.1002/smm2.1107
[98]	Chen, A.; Zhang, X.; Chen, L.; Yao, S.; Zhou, Z. J. Phys. Chem. C. 2020, 124, 22471. doi: 10.1021/acs.jpcc.0c05964
[99]	Tran, K.; Ulissi, Z. W. Nat. Catal. 2018, 1, 696. doi: 10.1038/s41929-018-0142-1
[100]	Zhong, M.; Tran, K.; Min, Y.; Wang, C.; Wang, Z.; Dinh, C.-T.; De Luna, P.; Yu, Z.; Rasouli, A. S.; Brodersen, P. Nature. 2020, 581, 178. doi: 10.1038/s41586-020-2242-8
[101]	Batchelor, T. A.; Pedersen, J. K.; Winther, S. H.; Castelli, I. E.; Jacobsen, K. W.; Rossmeisl, J. Joule. 2019, 3, 834. doi: 10.1016/j.joule.2018.12.015
[102]	Liu, J.; Liu, H.; Chen, H.; Du, X.; Zhang, B.; Hong, Z.; Sun, S.; Wang, W. Adv. Sci. 2020, 7, 1901614. doi: 10.1002/advs.201901614
[103]	Fujishima, A.; Honda, K. Nature. 1972, 238, 37. doi: 10.1038/238037a0
[104]	Zhang, Y.; Xu, X. ACS Omega. 2020, 5, 15344. doi: 10.1021/acsomega.0c01438 pmid: 32637808
[105]	Can, E.; Yildirim, R. Appl. Catal., B. 2019, 242, 267.
[106]	Bai, Y.; Wilbraham, L.; Slater, B. J.; Zwijnenburg, M. A.; Sprick, R. S.; Cooper, A. I. J. Am. Chem. Soc. 2019, 141, 9063. doi: 10.1021/jacs.9b03591
[107]	Corma, A.; Moliner, M.; Serra, J. M.; Serna, P.; Díaz-Cabañas, M. J.; Baumes, L. A. Chem. Mater. 2006, 18, 3287. doi: 10.1021/cm060620k
[108]	Muraoka, K.; Sada, Y.; Miyazaki, D.; Chaikittisilp, W.; Okubo, T. Nat. Commun. 2019, 10, 1. doi: 10.1038/s41467-018-07882-8
[109]	Boyd, P. G.; Chidambaram, A.; García-Díez, E.; Ireland, C. P.; Daff, T. D.; Bounds, R.; Gładysiak, A.; Schouwink, P.; Moosavi, S. M.; Maroto-Valer, M. M.; Reimer, J. A.; Navarro, J. A. R.; Woo, T. K.; Garcia, S.; Stylianou, K. C.; Smit, B. Nature. 2019, 576, 253. doi: 10.1038/s41586-019-1798-7
[110]	Ma, S.; Liu, Z.-P. ACS Catal. 2020, 10, 13213. doi: 10.1021/acscatal.0c03472
[111]	Ma, S. C.; Liu, Z.-P. Chem. Ind. Eng. Prog. 2020, 39, 3433. (in Chinese)
	(马思聪, 刘智攀, 化工进展, 2020, 39, 3433.)
[112]	Deng, C.; Su, Y.; Li, F.; Shen, W.; Chen, Z.; Tang, Q. J. Mater. Chem. A. 2020, 8, 24563. doi: 10.1039/D0TA08004G
[113]	Ishioka, S.; Fujiwara, A.; Nakanowatari, S.; Takahashi, L.; Taniike, T.; Takahashi, K. ACS Catal. 2022, 12, 11541. doi: 10.1021/acscatal.2c03142
[114]	Yang, Z.; Gao, W. Adv. Sci. 2022, 9, 2106043. doi: 10.1002/advs.202106043
[115]	Jäger, M. O.; Morooka, E. V.; Canova, F. F.; Himanen, L.; Foster, A. S. Npj Comput. Mater. 2018, 4, 1. doi: 10.1038/s41524-017-0060-9
[116]	Ulissi, Z. W.; Singh, A. R.; Tsai, C.; Nørskov, J. K. J. Phys. Chem. Lett. 2016, 7, 3931. doi: 10.1021/acs.jpclett.6b01254
[117]	Takigawa, I.; Shimizu, K.-i.; Tsuda, K.; Takakusagi, S. RSC Adv. 2016, 6, 52587. doi: 10.1039/C6RA04345C
[118]	Zhu, Q.; Zhang, F.; Huang, Y.; Xiao, H.; Zhao, L.; Zhang, X.; Song, T.; Tang, X.; Li, X.; He, G.; Chong, B.; Zhou, J.; Zhang, Y.; Zhang, B.; Cao, J.; Luo, M.; Wang, S.; Ye, G.; Zhang, W.; Chen, X.; Cong, S.; Zhou, D.; Li, H.; Li, J.; Zou, G.; Shang, W.; Jiang, J.; Luo, Y. Natl. Sci. Rev. 2022, nwac190.
[119]	Balachandran, P. V.; Young, J.; Lookman, T.; Rondinelli, J. M. Nat. Commun. 2017, 8, 1. doi: 10.1038/s41467-016-0009-6
[120]	Shields, B. J.; Stevens, J.; Li, J.; Parasram, M.; Damani, F.; Alvarado, J. I. M.; Janey, J. M.; Adams, R. P.; Doyle, A. G. Nature. 2021, 590, 89. doi: 10.1038/s41586-021-03213-y
[121]	Raccuglia, P.; Elbert, K. C.; Adler, P. D.; Falk, C.; Wenny, M. B.; Mollo, A.; Zeller, M.; Friedler, S. A.; Schrier, J.; Norquist, A. J. Nature. 2016, 533, 73. doi: 10.1038/nature17439
[122]	Wang, A. Y.-T.; Murdock, R. J.; Kauwe, S. K.; Oliynyk, A. O.; Gurlo, A.; Brgoch, J.; Persson, K. A.; Sparks, T. D. Chem. Mater. 2020, 32, 4954. doi: 10.1021/acs.chemmater.0c01907
[123]	Krishnamurthy, D.; Weiland, H.; Barati Farimani, A.; Antono, E.; Green, J.; Viswanathan, V. ACS Energy Lett. 2018, 4, 187. doi: 10.1021/acsenergylett.8b02278
[124]	De Luna, P.; Wei, J.; Bengio, Y.; Aspuru-Guzik, A.; Sargent, E. Use machine learning to find energy materials. Nature Publishing Group, 2017.
[125]	Schmidt, J.; Marques, M. R.; Botti, S.; Marques, M. A. npj Comput. Mater. 2019, 5, 1. doi: 10.1038/s41524-018-0138-z
[126]	Zhang, Y.; Ling, C. Npj Comput. Mater. 2018, 4, 1. doi: 10.1038/s41524-017-0060-9
[127]	Trivedi, H.; Shvartsman, V. V.; Medeiros, M. S.; Pullar, R. C.; Lupascu, D. C. Npj Comput. Mater. 2018, 4, 1. doi: 10.1038/s41524-017-0060-9
[128]	Luo, W.; Shen, F.; Bommier, C.; Zhu, H.; Ji, X.; Hu, L. Acc. Chem. Res. 2016, 49, 231. doi: 10.1021/acs.accounts.5b00482
[129]	Jankowski, N.; Duch, W.; Grabczewski, K. Meta-learning in computational intelligence. Springer, 2011.
[130]	Graves, A.; Wayne, G.; Danihelka, I. arXiv preprint arXiv:1410.5401. 2014.
[131]	Lake, B. M.; Salakhutdinov, R.; Tenenbaum, J. B. Science. 2015, 350, 1332. doi: 10.1126/science.aab3050
[132]	Kauwe, S. K.; Welker, T.; Sparks, T. D. Integr. Mater. Manuf. I. 2020, 9, 213.
[133]	Ouyang, R.; Ahmetcik, E.; Carbogno, C.; Scheffler, M.; Ghiringhelli, L. M. J. Phys. Mater. 2019, 2, 024002. doi: 10.1088/2515-7639/ab077b
[134]	Jackson, N. E.; Bowen, A. S.; Antony, L. W.; Webb, M. A.; Vishwanath, V.; de Pablo, J. J. Sci. Adv. 2019, 5, eaav1190. doi: 10.1126/sciadv.aav1190
[135]	Sutton, C.; Boley, M.; Ghiringhelli, L. M.; Rupp, M.; Vreeken, J.; Scheffler, M. Nat. Commun. 2020, 11, 1. doi: 10.1038/s41467-019-13993-7
[136]	Wu, W.; Sun, Q. Sci. China : Phys., Mech. Astron. 2018, 48, 58. (in Chinese)
	(吴炜, 孙强, 中国科学: 物理学力学天文学, 2018, 48, 58.)
[137]	Wu, S.; Kondo, Y.; Kakimoto, M.-a.; Yang, B.; Yamada, H.; Kuwajima, I.; Lambard, G.; Hongo, K.; Xu, Y.; Shiomi, J. Npj Comput. Mater. 2019, 5, 1. doi: 10.1038/s41524-018-0138-z
[138]	Jia, W.; Wang, H.; Chen, M.; Lu, D.; Liu, J.; Lin, L.; Car, R.; Zhang, L. arXiv preprint arXiv:2005.00223. 2020, 1.

机器学习在新材料筛选方面的应用进展

Recent Advance of Machine Learning in Selecting New Materials

RichHTML

PDF

可视化

摘要/Abstract

引用此文

分享此文

图/表 14

参考文献 138

相关文章 9

编辑推荐

相关统计

本文评价

[1]	韩逸之, 蓝建慧, 刘学, 石伟群. 基于机器学习势函数的熔盐体系分子动力学研究进展[J]. 化学学报, 2023, 81(11): 1663-1672.
[2]	程敏, 王诗慧, 罗磊, 周利, 毕可鑫, 戴一阳, 吉旭. 面向乙烷/乙烯分离的金属有机框架膜的大规模计算筛选[J]. 化学学报, 2022, 80(9): 1277-1288.
[3]	刘雨泽, 李昆华, 黄佳兴, 于曦, 胡文平. 多组件学习器实现有机分子沸点的精准预测[J]. 化学学报, 2022, 80(6): 714-723.
[4]	王诗慧, 薛小雨, 程敏, 陈少臣, 刘冲, 周利, 毕可鑫, 吉旭. 机器学习与分子模拟协同的CH₄/H₂分离金属有机框架高通量计算筛选[J]. 化学学报, 2022, 80(5): 614-624.
[5]	蔡铖智, 李丽凤, 邓小梅, 李树华, 梁红, 乔智威. 基于机器学习和高通量计算筛选金属有机框架的甲烷/乙烷/丙烷分离性能[J]. 化学学报, 2020, 78(5): 427-436.
[6]	朱博阳, 吴睿龙, 于曦. 人工智能助力当代化学研究[J]. 化学学报, 2020, 78(12): 1366-1382.
[7]	刘治鲁, 李炜, 刘昊, 庄旭东, 李松. 金属有机骨架的高通量计算筛选研究进展[J]. 化学学报, 2019, 77(4): 323-339.
[8]	卞磊, 李炜, 魏振振, 刘晓威, 李松. 基于高通量计算筛选的金属有机骨架材料甲醛吸附性能[J]. 化学学报, 2018, 76(4): 303-310.
[9]	饶含兵, 李泽荣, 陈晓梅, 李象远^{. 基于支持向量学习机的HIV-1蛋白酶抑制剂的活性预测[J]. 化学学报, 2007, 65(3): 197-202.}