近些年，人工智能技术的发展如火如荼，从AlphaGo到AlphaFold，人工智能开始在科学研究中发挥着史无前例的作用，科学研究的范式也从“因果式”向“数据驱动式”进行转换。其中，作为人工智能技术实现过程中的关键一环，机器学习算法不但可以实现科学研究体系的性质预测、加快研发速度，同时随着近期“AIGC（人工智能生成内容）”的火热推进，各种“GAN生成式机器学习”模型也被应用到科学研究中，通过生成具有目标功能的新材料，使精确的“Inverse Design逆向设计”成为可能。通过本专题，让我们来详细梳理机器学习在材料科学研究中的最新研究成果以及把握未来研究的发展动向。

1. Nature子刊：原子间势的深度学习用于新材料开发

来自美国加州大学圣地亚哥分校Shyue Ping Ong（王学彬）教授团队报告了基于具有三体相互作用的图形神经网络（M3GNet）的材料通用IAP。M3GNet IAP是在过去十年中由材料项目执行的大规模结构弛豫数据库上进行的培训，在结构弛豫、动态模拟和不同化学空间材料的性能预测方面具有广泛的应用。基于M3GNet能量，从3100万个假设晶体结构的筛选中，约180万种材料被确定为对现有材料项目晶体具有潜在稳定性。在凸壳上方能量最低的前2000种材料中，1578种材料通过密度泛函理论计算被证实是稳定的。这些结果表明，机器学习加速了发现具有特殊性质的可合成材料的途径。研究成果以题为“A universal graph deep learning interatomic potential for the periodic table” 发表在知名期刊Nature Computational Science上，Chi Chen博士为本文的一作兼通讯作者。

原文详情：Nature子刊：原子间势的深度学习用于新材料开发

2. Communications Materials: 详解图神经网络在化学和材料科学中大展宏“图”

2022年11月，德国卡尔斯鲁厄理工学院Pascal Friederich团队综述了图神经网络（GNN）在化学和材料研究中成果和进展，为把握最新的AI4Sci的技术手段提供了一份详尽的内容宝典。相关研究工作以“Graph neural networks for materials science and chemistry”为题发表在Communications Materials上。

原文详情：Communications Materials: 详解图神经网络在化学和材料科学中大展宏“图”

3. Nature Energy：晶体图注意力网络用于预测稳定材料

德国耶拿弗里德里希-席勒大学和欧洲理论光谱研究所Silvana Botti教授团队开发了一个超越上述所有方法的用于预测稳定材料的模型，该模型基于组合物和通用结构原型来预测到凸包的距离，而不需要精确的晶体结构知识。全文从开发的模型和积累的数据集开始描述，通过详细研究钙钛矿的第四系族来展示模型的强度，得到结果，并在材料和方法中讨论了工作的细节。相关研究工作以“Crystal graph attention networks for the prediction of stable materials”为题发表在国际顶级期刊Science Advances上。

原文详情：Nature Energy：晶体图注意力网络用于预测稳定材料

4. 机器学习预测分子结构，Nature Reviews Chemistry最新综述！

美国洛斯阿拉莫斯国家实验室Sergei Tretiak教授（通讯作者）全面总结了基于ML评估化学性质的发展，例如部分原子电荷、偶极矩、自旋、电子密度、化学键以及获得简化的量子力学描述。同时，作者概述了几种现代神经网络架构，以及它们的预测能力，通用性和可转移性，并说明了它们对各种化学性质的适用性。此外，作者还强调了学习的分子表示类似于量子力学类似物，证明了模型捕获基础物理学的能力，以及讨论了ML模型如何描述非局部量子效应。最后，作者编制了一份可用的ML工具箱列表，总结了未解决的挑战和展望了未来的发展。总结的趋势表明，本领域的发展正在向由ML增强的基于物理的模型发展，其伴随着新方法的开发以及用户友好的ML化学框架正在快速增长。相关研究成果以“Extending machine learning beyond interatomic potentials for predicting molecular properties”为题发表在Nature Reviews Chemistry上。

原文详情：机器学习预测分子结构，Nature Reviews Chemistry最新综述！

5. PRB：超越密度泛函理论的机器学习力场

近日，奥地利VASP软件有限公司刘培涛博士提出了一种生成具有超越DFT精度的MLFF的方法，该方法结合了高效的动态主动学习方法和机器学习。使用此方法，基于无规相位近似（RPA）生成氧化锆的MLFF。具体地，在基于DFT的分子动力学模拟过程中，通过另一个基于RPA和DFT计算的能量、力和应力张量之间的差异进行训练的MLFF来校动态学习中训练的MLF。研究表明，由于这些差异的相对平滑性，显著降低了计算成本，并允许生成完全能够重现超越DFT的高级量子力学计算的MLFF。随后验证了该方法，并证明了其在研究ZrO₂相变方面的成功。研究成果以题为“Phase transitions of zirconia: Machine-learned force fields beyond density functional theory” 发表在知名期刊PHYSICAL REVIEW B上。

原文详情：PRB：超越密度泛函理论的机器学习力场

6. Nature子刊：机器学习助力化学家精准预测有机反应结果

在此，韩国国际科学技术院化学与生物分子工程系Yousung Jung教授团队设计了一种广义反应模板（generalized reaction template, GRT），这是一种仅通过原子映射法描述反应前后原子构型局部变化，而没有特定原子类型或官能团信息的反应模板。基于该模板，研究设计了一种化学驱动的图神经网络机器智能平台来预测反应产物，研究人员将其命名为LocalTransform。与专业化学家相似的是，LocalTransform能够通过识别反应中心来预测反应结果，并根据局部化学环境变化然后通过全局注意机制的选择性来识别反应原子。最终反应结果由模板分类器进行预测，该分类器可为化学反应中心提出最可能的构型变化，然后实现精准的结果预测。此外，研究人员还总结了LocalTransform在预测有机反应结果方面的三个重要突破:

1、研究提出的基于GRT构建的机器学习平台能够准确描述测试反应中99.7%的实验结果，而这之前最受欢迎的前100个模板仅能描述94.6%，从而证明该研究在解决传统模板覆盖率低、可扩展性差等问题方面走出了关键一步。

2、LocalTransform对于Top-K产品的预测精度相比之前基于图的方法有了显著的提升，Top-K准确率是用来计算预测结果中概率最大的前K个结果包含正确标签的占比。

3、该模型是一种基于分类的方法，它具有很强的分数-准确度相关性，因此用户能够理解不确定性并信任该机器预测。

相关研究成果以“A generalized-template-based graph neural network for accurate organic reactivity prediction”为题发表在国际著名期刊Nature Machine Intelligence上。

原文详情：Nature子刊：机器学习助力化学家精准预测有机反应结果

7. Nature Materials：通过计算发现和理解材料

美国加州大学伯克利分校的雷干城（Steven G. Louie）院士通过四篇评论文章对计算材料设计的四个主要领域进行了深入的回顾。采用的方法范围从第一性原理技术，到多尺度建模，到胶体自组装的模拟，以及机器学习在这些领域的应用。作者简要概述了材料计算建模方面的一些显著进展，并讨论了该领域的一些主要挑战和机遇。

相关研究工作以“Discovering and understanding materials through computation”为题发表在国际顶级期刊Nature Materials上。

原文详情：Nature Materials：通过计算发现和理解材料

8. 未来自动化实验室的构建是什么样的？请看这篇综述

近日，来自美国犹他大学的Sterling G. Baird和 Taylor D. Sparks教授关于自动化实验室发表了评述性论文。引入了一个优化任务的想法，该任务花费不到100美元、一平方英尺的办公桌空间，完成了从购物车到第一次“自动驾驶”的过程，总共花费时间为一个小时。由于光比物质更容易移动，该文在演示中使用的是光学而不是化学。虽然不是基于材料的，但在这个跨领域示例中保留了自动化材料的几个核心原则:向硬件发送命令以调整物理参数，接收测量的目标属性，通过主动学习和云计算做出决策。该演示是可访问的、可扩展的、模块化的和可重复的，使其成为SDL概念的低成本原型设计和在低风险环境中学习SDL原理的理想候选。相关评述以“What is a minimal working example for a self-driving laboratory?”为题发表在国际著名期刊Matter期刊上。

原文详情：未来自动化实验室的构建是什么样的？请看这篇综述