马克斯-普朗克的科学家探讨了人工智能在材料科学中的可能性，并在《自然-计算科学》杂志上发表了他们的评论。先进材料变得越来越复杂，因为它们必须满足有关可持续性和适用性的高要求。Dierk Raabe及其同事回顾了人工智能在材料科学中的应用，以及如果与基于物理的模拟相结合，它所开启的未开发的空间。
将基于物理的模拟与人工智能相结合在材料科学中获得了越来越大的重要性，特别是对于满足技术和环境要求的复杂材料的设计。资料来源：T. You, Max-Planck-Institut für Eisenforschung GmbH
与传统的模拟方法相比，人工智能有若干优势，并将在未来的材料科学中发挥关键作用。
无论是在高科技、移动性、基础设施、绿色能源还是医学方面，日常生活都迫切需要先进的材料。然而，由于化学成分、结构和目标属性的复杂性，发现和探索新材料的传统方式遇到了限制。此外，新材料不仅应该实现新的应用，还应该包括生产、使用和回收这些材料的可持续方式。
来自Max-Planck-Institut für Eisenforschung (MPIE)的研究人员回顾了基于物理学的建模的现状，并讨论了将这些方法与人工智能相结合如何能够为复杂材料的设计打开迄今为止尚未开发的空间。他们在《自然-计算科学》杂志上发表了他们的观点。
将基于物理学的方法与人工智能相结合
为了满足技术和环境挑战的要求，必须考虑更多的要求和多重材料特性，从而使合金在成分、合成、加工和回收方面更加复杂。这些参数的变化导致其微观结构的变化，这直接影响到材料的性能。这种复杂性需要被理解，以便能够预测材料的结构和性能。计算材料设计方法在这里发挥了关键作用。
"今天，我们设计新材料的手段完全依赖于基于物理学的模拟和实验。当涉及到高维相平衡的定量预测，特别是由此产生的非平衡微观结构和性能时，这种方法会遇到一定的限制。此外，许多与微观结构和性能有关的模型使用简化的近似值，并依赖于大量的变量。然而，问题是这些自由度是否以及如何仍然能够涵盖材料的复杂性，"MPIE主任、该出版物的第一作者Dierk Raabe教授解释说。
这篇论文比较了基于物理学的模拟，如分子动力学和非初始模拟，以及基于描述符的建模和先进的人工智能方法。虽然基于物理学的模拟在预测具有复杂成分的材料时往往成本太高，但使用人工智能（AI）有几个优势。
"人工智能能够从电子、原子和连续模拟获得的大型数据集中自动提取热力学和微观结构特征，具有很高的预测能力，"MPIE主任、该出版物的共同作者Jörg Neugebauer教授说。
用大型数据集加强机器学习
由于人工智能的预测能力取决于大型数据集的可用性，因此需要克服这一障碍的方法。一种可能性是使用主动学习周期，即用最初的小型标记数据子集训练机器学习模型。然后，模型的预测由一个标签单元进行筛选，该单元将高质量的数据送回标签记录池中，机器学习模型再次运行。这种循序渐进的方法导致了最终的高质量数据集，可用于准确的预测。
在材料科学中使用人工智能仍有许多开放性问题：如何处理稀疏和嘈杂的数据？如何考虑有趣的离群值或"不合适的"？如何实现来自合成或回收的不需要的元素入侵？然而，当涉及到设计成分复杂的合金时，人工智能将在不久的将来发挥更重要的作用，特别是随着算法的发展，以及高质量材料数据集和高性能计算资源的可用性。