近年来，机器学习(ML)在材料科学研究中得到了广泛的应用。通过利用现有数据库的数据进行ML模型训练，许多还没有实验和理论数据的化合物性质可以被预测出来，从而大大加速材料领域的科研发现。

北京大学深圳研究生院新材料学院潘锋团队近年来不断尝试应用机器学习的方法来加速新型材料的发现。通过对大量数据进行机器学习和预测，分析远离总体趋势的异常结果，从中获得新的洞见。

机器学习在材料科学中的应用之一是建立结构与性能之间的关系，它试图在材料指纹(包括组成元素的特征、原子结构信息以及这些特征的任何组合)和我们感兴趣的目标属性之间建立预测关系。过去的工作中，ML方案的预测能力在材料的带隙、弹性模量、相稳定性、离子电导率、导热系数、熔融温度、玻璃化转变起始温度等性质有着很好的表现。但是，在以往的研究中，ML方案的成功是基于数据库中数据的共同趋势，通过这样的共同趋势训练，开发的模型可以应用于大多数化合物。这对“正常”化合物是有效的、准确的，因为在材料数据库的大多数情况下，“正常”化合物具有规则的结构单元。然而，例外总是存在的，潘锋团队着眼于这些例外，并且通过分析这些“例外”，对基础物理学有了一些新的认识，并在科学上开辟了新的领域。                                           

机器学习预测带隙的结果

北京大学新材料学院自主建立了一个包括HSE计算数据的材料结构数据库，并基于此，通过机器学习的方法对材料结构的带隙进行学习，展示了ML是如何被用来作为一种工具来挑选这些不寻常的案例，以及如何用传统的分析方法来研究这些不寻常的案例，从而拓宽已有的科学知识。

在这个工作中，该团队只使用了相对较小的数据集进行训练，并且ML模型的总体性能与已有的工作相当，模型R²约为0.89。通过观察带隙预测模型的结果，团队从数据库约4000种化合物中确定了34种不同寻常的化合物，在具体的分析之后，其中许多化合物具有不寻常的结构或其他异常，如特殊的配位环境或氧化态，带隙相对于同族其他化合物的突然增加，或是同族不同化合物之间的不同相结构。

AgO₂F（“异常”结构）与KAgO₂（“正常”结构）的电子结构比较。AgO₂F由于具有不寻常的氧化态（O₂^2-）从而具有异常的表现

该成果作为封面文章近期已在Science Bulletin上出版。本项目得到国家材料基因重大研究计划和广东省重点实验室的经费支持。

详文请见：

Jianshu Jie, Zongxiang Hu, Guoyu Qian, Mouyi Wang, Shunning Li, Shucheng Li, Mingyu Hu, Dong Chen, Weiji Xiao, Jiaxin Zheng, Lin-Wang Wang, Feng Pan. Discovering unusual structures from exception using big data and machine learning techniques. Science Bulletin, 2019, 64(9)612-616

https://www.sciencedirect.com/science/article/pii/S2095927319302014

http://engine.scichina.com/doi/10.1016/j.scib.2019.04.015