基于机器学习算法的新型功能材料靶向设计

陆帅华，周跫桦，王金兰^*

东南大学，南京，214135，中国

详细摘要：功能材料的研发是工业创新的基石，如何按需高效构筑材料一直是科学研究的热点与难点，尤其是面对成千上万的候选材料。传统的材料开发模式通常为试错法，这种方法耗时良久，且对于一些成因复杂的特性往往难以成功。在上述背景下，机器学习(machine learning)技术被引入到材料设计和材料数据库的构建中来，高效的计算和筛选效率使得机器学习技术成为材料设计的理想“助推器”。机器学习算法的优势在于，其本质上是基于数据统计规律而非物理化学定律的，从而能够绕过复杂的量子力学求解过程[1]。我将通过二个例子展示机器学习结合密度泛函理论，在快速发现稳定、无铅光伏钙钛矿和具有高居里温度的二维铁磁材料上的应用：i) 以得到适合太阳能电池应用的带隙为目标，利用机器学习算法，从5158种候选化合物种得到了218种符合目标带隙的有机-无机杂化钙钛矿材料 [2]；推广到无机铁电钙钛矿光伏材料和有机无机杂化双钙钛矿光伏材料的高效筛选中，最终从4万余中候选材料中筛选出178种性能优异的目标材料 [3,4]；ii) 提出了基于晶体图的结构描述符和迭代反馈学习算法，开发一种集成了特征工程、模型学习、数据采样、第一性原理计算和模型解释的主动学习框架，实现了高居里温度二维铁磁材料的快速准确预测，该框架突破了复杂材料与性质空间的搜索瓶颈[6]，最终筛选出700多种高居里温度的二维铁磁材料，其中包括37中居里温度超过室温的二维铁磁半导体材料。

参考文献:

[1] S.-H. Lu, J. Wang*, et al., Nat. Commun. 2018, 9, 3405.

[2] S.-H. Lu, Q.-H. Zhou, L. Ma, Y.-L. Guo and J. Wang*, Small Methods, 2019, 3, 1900360.

[3] S.-H. Lu, Q.-H. Zhou, J. Wang*, et al., Adv. Mater. 2020, 32, 2002658.

[4] Q.-H. Zhou, S.-H. Lu, J. Wang*, J. Phys. Chem. Lett. 2020, 11, 3920.

[5] S.-H. Lu, Q.-H. Zhou, J. Wang*, et al., Chem 2021 (in press).

[6] Y-L. Wu, S.-H. Lu, Q.-H. Zhou, Mingang Ju*, J. Wang*, et al., Nanoscale, 2021, 13, 12250.