高效率、低成本！基于机器学习的新型框架给材料设计带来突破

这是Yaxin An, Sanket A. Deshmukh, and KarteekBejagam，图片来源：弗吉尼亚理工大学

以前的电脑占用了整个房间。今天，一台两磅重的笔记本电脑可以毫不费力地放入背包。但如果没有创造新的、更小的处理器，这是不可能的——只有新材料的创新才有可能将其实现。

但材料科学家如何真正发明新材料呢？通过实验，化学工程系助理教授SanketDeshmukh解释说，他的团队最近发表的计算研究可能会极大地提高材料设计过程的效率和成本节约。

Deshmukh的实验室是混合材料计算设计实验室，致力于理解和模拟分子运动和相互作用的方式——这对于创造新材料是至关重要。

近年来，机器学习作为人工智能的一个强有力的子集，已经被材料科学家用来通过计算机模拟加速新材料的发现。

Deshmukh和他的团队最近在“Physical Chemistry Letters”《物理化学快报》杂志上发表了一项研究，展示了一种新的机器学习框架，这种框架可以“实时”训练，意味着它可以即时处理数据并从中学习，从而加速计算模型的开发。

Deshmukh解释说：传统上，计算模型的开发是“通过试错法手动进行的，这种方法非常昂贵且效率低，而且是劳动密集型任务”。

“这种新颖的框架不仅首次以独特的方式使用机器学习，”Deshmukh说，“而且它也极大地加速了材料精确计算模型的发展。”

“我们通过使用从分子动力学模拟获得模型的属性作为机器学习模型的输入，并利用分子动力学模拟中使用的输入参数作为机器模型学习的输出，以'反向'的方式训练机器学习模型，”Deshmukh实验室的博士后研究员KarteekBejagam说，他是该研究的主要作者之一。

这个新框架允许研究人员以非常快的速度执行计算模型的优化，直到他们达到新材料的所需属性。

最好的部分？不管机器学习模型的预测有多准确，因为它们是即时测试的，如果模型优化不准确，这些模型对模型优化没有负面影响。“它不会有害，它只会有所帮助，”Deshmukh实验室的访问学者Samrendra Singh和该研究的另一位作者说。

Singh说：“这种新机器学习框架的优点在于它是通用的，这意味着机器学习模型可以与任何优化算法和计算技术集成，以加速材料设计。”

该出版物由Bejagam和Singh领导，并与化学工程博士Yaxin An合作。通过开发两种溶剂的模型作为概念证明，展示了这种新框架的使用。

Deshmukh的实验室计划利用这种新型机器学习的框架来开发具有潜在生物医学和能源应用的各种材料的模型。

原文来自：rdmag，原文题目：Novel Machine Learning Based Framework Could Lead to Breakthroughs in Material Design，由材料科技在线团队编译。