西交大Adv.Mater.：利用机器学习技术开发新型压电材料

【引言】

传统的材料开发方式往往依赖于试错法或者经验。但是随着材料成分、微观结构等复杂性的增加，传统的方法不再适用。如何利用尽可能少的实验来有效的提升新材料的性能，是材料研究人员所面临的巨大挑战。

【成果简介】

机器学习技术被认为可以从大量材料科学的数据中通过算法搜索隐藏于其中的重要信息，建立材料性能的预测模型，进而实现材料性能的快速优化。机器学习模型虽然可以对未知材料性能做出预测，但是面对大量已有预测值的可能材料，如何最有效地选择下一步实验要合成和测试的样品？近日国际期刊Advanced Materials以“Accelerated Discovery of Large Electrostrains in BaTiO3-Based Piezoelectrics Using Active Learning”为题发表了西安交通大学最新研究成果，该工作发现平衡考虑预测值与不确定性的实验设计策略在材料开发中更加高效。该工作由西安交通大学金属材料强度国家重点实验室孙军教授、丁向东教授团队博士生袁睿豪、薛德祯副教授等与美国洛斯阿拉莫斯国家实验室的Turab Lookman教授合作完成。

【图文导读】

图1.利用自适应设计循环提升材料开发速度

图2.统计模型以及不同选择策略的表现

图3.新开发材料性能表征

图4.与其他无铅压电体系对比

图5.朗道理论对高电致应变的解释

【小结】

本文提出了一个基于主动学习技术的材料设计方法，并应用于加速设计开发新型压电材料。这一设计思路是一个由数据采集、统计模型、实验设计、结果反馈组成的循环回路；通过对回路的多次循环，实现对材料目标性能的快速优化。区别于以往以预测结果为导向的实验设计，上述循环最大的不同之处在于利用预测结果的不确定性（uncertainty）进行实验设计，仅仅通过三组实验就成功开发了一种具有高电致应变的无铅压电材料。同时，本文还比较了不同的实验设计策略，发现平衡考虑预测值与不确定性的策略在材料开发中更加高效。该思路可以被广泛应用于新材料的快速研发。

文献链接：Accelerated Discovery of Large Electrostrains in BaTiO3-Based Piezoelectrics Using Active Learning (Adv. Mater., 2018, DOI: 10.1002/adma.201702884)

本文由西安交通大学孙军教授、丁向东教授课题组提供。