除了与李世石下棋 人工智能也可以研发新材料了

材料牛注：康涅狄格大学的研究者们利用机器学习开创了一种研发新材料的方法。

过去，新材料的研发是一件很有风险的事情，因为研发过程中的盲目性会导致研发时间和成本的浪费。不过，现在不同了，来自康涅狄格州立大学的研究者利用机器可以浏览数百万理论化合物的学习能力，对研究范围进行了系统化搜索，以此可获得质量更高的太阳能电池、纤维以及计算机芯片。

以前，谁也不清楚为什么早期的冶金学家要将一大块锡熔进铜里，但制备出来的青铜合金却比当时所有已知金属都要硬且更耐用。在随后的7000年中，材料实验大多如青铜制备一样，很大程度上是受哲学和化学直觉的影响。

但是当今世界现存的元素中，至少有95种稳定元素。这些元素通过不同配比结合，数量会非常庞大。如果通过实验的方法来寻找想要的配比，效率会变得非常低。

来自康涅狄格州立大学的材料科学家Ramamurthy 'Rampi' Ramprasad却不是这样干的。他们理性设计，通过机器扫描、分析计算出哪种原子组态可以制备出性能优异的导电聚合物或绝缘体聚合物，而不是随意将化学药品混合来观察它们的反应结果。

聚合物是一种由重复模块构成的大分子材料，无论在生活还是人造材料中都可以见到它的身影。在我们熟悉的材料中，塑料就是个例子，不同塑料间的差异极大，硬度、塑性以及透光性等都有可能差异巨大。在电学性能方面，聚合物同样表现出多样性。例如，它们可以很好的绝缘体，阻止电流的穿过；然而，它们中的导体可以让电子自用通过。而聚合物中的原子不同的连接方式正是产生这些现象主要原因。但是直到今天，还没有人能够系统的解释原子排列和物质属性间的关系。

所以，Ramprasad和他的同事决定解决这一问题。

首先，研究者们会分析现有聚合物，根据量子力学计算出不同原子组合聚合物所具有的性质，通过每种聚合物所特有的结构代码，量化出原子量与聚合物性质之间的关系。一旦拥有这些数据，他们可以通过计算机搜寻所有理论可能的聚合物，计算出那种聚合物具有何种性质。这样一来，当需要特定性质的聚合物时，可以快速扫描数据清单，从而决定哪种理论上存在的聚合物可以值得一试。

很多聚合物是由很多仅含有几个原子的构建块组成。在这项研究中，Ramprasad的团队观察了由 CH2, C6H4, CO, O, NH, CS, 和 C4H2S这 7个模块构成的聚合物，这些在诸如塑料聚乙烯、聚酯和聚脲这些塑料是可以经常见到的。其实，在理论上由这些模块还可以构建出大量其它的聚合物。Ramprasad的团队决定从每种组分由四个单元重复构成的283聚合物入手，通过理论计算获得其三维结构。

曾经，研究人员在获得三维结构后，就可以计算出包括带间隙、介电常数在内的一系列聚合物属性。（介电常数是度量电场对聚合物性质影响程度的一个参数）。通过这些属性，我们就可以知道聚合物自身所存储的电能。研究人员采用这些大家所熟知的技术进行研究，所花费的时间成本是高昂的，这也是为什么采用这种方法开发新材料比较困难的原因。

Ramprasad的团队在以往的项研究上更进一步。他们需要一个速记系统，在这个系统中，电脑可以观测聚合物模块及它们的连接方式，然后以此对聚合物性质作出有根据的推测。

众所周知，计算机是通过处理数据获得信息的。于是，团队首先将每一种聚合物用一串数字表示，即一种数字指纹。对于包含7个模块的聚合物来说，就有7个可能的数字，每个数字都代表了对应模块类型的数量。但是这样一串简单的数字序列还远不能表示聚合物结构。接下来，团队加入第二串数字来表示不同对模块的数量，例如NH-O或 C6H4-CS。同理，第三串数字表示模块三三组合时不同组数量。最后，它们将这些字符串排成三维矩阵，方便计算机处理。

接下来，他们就让电脑去工作了。利用量子力学计算，机器将每个聚合物的数字指纹与其带隙和介电常数对比，逐渐“学会”不同模块所具备的属性。它甚至可以将这些属性映射到聚合物模块的二的维矩阵。一旦机器掌握了原子组合模块的对应属性,它就不需要对原子结构进行量子力学计算，而直接依靠数字就可分析聚合物的组成和结构。这为新材料的开发开辟了新的道路。

作为一个理论材料研究员，Ramprasad想要知道材料所表现出的性能的深层次原因。聚合物的电容率是由什么在决定？又是什么让绝缘体在高电场下不被击穿？但Ramprasad同样想让这些研究结果可以让新材料的研发更加理性。因此，Ramprasad让他计算的结果免费公开，以期望帮助开发新材料。

原文参考地址：Building a Better Mouse Trap

感谢材料人网编辑部刘萍提供素材。