{首页主词},&

斯坦福張首晟：機(jī)器學(xué)習(xí)助力新材料發(fā)現(xiàn)！

2018-07-16 11:26:24 作者：本網(wǎng)整理來源：納米人分享至：

第一作者：Quan Zhou、Peizhe Tang、Shenxiu Liu

通訊作者：Shou-Cheng Zhang

通訊單位：斯坦福大學(xué)

研究亮點(diǎn)：

1. 提出Atom2Vec，機(jī)器可以從已知化合物和材料的龐大數(shù)據(jù)庫中自己學(xué)習(xí)原子的基本屬性。

2. 使用原子向量作為神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)模型的基本輸入單元，這些模型被設(shè)計(jì)和訓(xùn)練以預(yù)測材料屬性，展示了顯著的準(zhǔn)確性。

在過去的20年中，通過實(shí)驗(yàn)探索和數(shù)值模擬，在材料科學(xué)中積累了前所未有的大量數(shù)據(jù)。龐大的數(shù)據(jù)集還需要基于數(shù)據(jù)的統(tǒng)計(jì)方法來實(shí)現(xiàn)。因此，出現(xiàn)了一種新的范例，旨在利用人工智能（AI）和機(jī)器學(xué)習(xí)（ML）技術(shù)來輔助材料的研究和發(fā)現(xiàn)。

盡管到目前為止取得了成功，但這些工作在很大程度上依賴于研究人員明智地選擇相關(guān)描述，因此，從理論的角度來看，智力程度仍然非常有限。實(shí)際上對于機(jī)器來說，額外的計(jì)算通常是不可避免的，以解釋和理解這些以抽象的人類知識(shí)形式存在的原子描述符號(hào)。

有鑒于此，斯坦福大學(xué)的Shou-Cheng Zhang教授為了創(chuàng)建更高級(jí)別的AI并克服實(shí)際限制，提出了Atom2Vec，它允許機(jī)器從數(shù)據(jù)中學(xué)習(xí)他們自己的原子知識(shí)。

圖1. Atom2Vec從材料數(shù)據(jù)庫中學(xué)習(xí)原子的工作流程

Atom2Vec僅考慮材料數(shù)據(jù)庫中化合物的存在，而不考慮材料的任何特定屬性。這個(gè)龐大的數(shù)據(jù)集以無人監(jiān)督的方式用于材料科學(xué)的學(xué)習(xí)。由于缺少材料屬性標(biāo)簽，Atom2Vec不會(huì)偏向于某個(gè)方面。因此，只要數(shù)據(jù)集足夠大且具有代表性，所學(xué)習(xí)的知識(shí)原則上可以產(chǎn)生原子完整和通用的描述。

Atom2Vec遵循核心思想，即原子的屬性可以從它所處的環(huán)境中推斷出來，這類似于語言學(xué)中的分布假設(shè)。在化合物中，每個(gè)原子可以被選擇作為目標(biāo)類型，而環(huán)境是指所有剩余的原子以及它們相對于目標(biāo)原子的位置。直觀地說，類似的原子傾向于出現(xiàn)在相似的環(huán)境中，這使我們的Atom2Vec能夠從原子和環(huán)境之間的關(guān)聯(lián)中提取知識(shí)，然后以矢量形式表示它。

所學(xué)習(xí)的特征向量不僅很好地捕捉了向量空間中原子的相似性和性質(zhì)，而且在用于材料科學(xué)的ML問題時(shí)也顯示出它們優(yōu)于簡單經(jīng)驗(yàn)描述符的優(yōu)越性。預(yù)計(jì)其有效性和廣泛的適用性可以極大地推動(dòng)當(dāng)今材料科學(xué)中的數(shù)據(jù)驅(qū)動(dòng)方法，特別是對于最近提出的深度神經(jīng)網(wǎng)絡(luò)方法。

這里有關(guān)于特征學(xué)習(xí)方法的幾個(gè)方向值得在將來探討。例如，元素-環(huán)境矩陣可以推廣到更高階的張量，其中額外的階數(shù)描繪了組合的不同部分。這樣的張量應(yīng)該包含比矩陣更精細(xì)的信息，如何從這個(gè)高階對象中提取特征仍然是一個(gè)懸而未決的問題。

此外，更加合理的環(huán)境描述對于改進(jìn)無模型和基于模型的方法都是必要的。必須考慮結(jié)構(gòu)信息，以準(zhǔn)確地模擬原子如何結(jié)合在一起形成環(huán)境或化合物，其中對在遞歸和基于圖形的神經(jīng)網(wǎng)絡(luò)上的發(fā)展可能有所幫助。