数据中心设计——一种微结构材料体系设计新方法丨Engineering

计算材料科学为人们可以更深入地了解不同规格的材料行为提供了一个平台。 这一技术的进步对各个工业部门特别重要，可以使具有加工性能的材料实现符合成本效益的设计。材料基因组计划以及材料设计、微结构敏感设计和集成计算材料设计等工具和框架的出现也凸显了计算材料科学的重要性。因为材料的形态严重影响其属性，所以这些框架的中心主题是逆向材料设计，其中阐明了数据处理、材料结构和材料属性（PSP）之间的关系，以便设计出独特的材料。逆向PSP关系的非唯一性虽然提供了设计的灵活性，但却对PSP关系的未来发展提出了挑战[图1（a）]。

在20世纪，材料科学的研究和发展依赖于昂贵且耗时的Edisonian方法，该方法涉及多次尝试并出现很多错误。 这种方法延缓了新兴材料在商业应用中的部署。为了实现材料设计的巨大飞跃，需要将材料研究的重点从简单地解释所观察到的现象转移到开发科学和可预测的模型，利用可控的定量因子来解释和预测材料行为，以满足工业应用的预期目标。为此，开发了所谓的高通量计算材料科学[图1（b）]。在本研究中， 美国西北大学Wei Chen研究团队创建了一个用于存储材料微结构特征和性能的海量数据库；然后，将该数据库用于训练一个可以预测（或协助预测）PSP关系的机器学习（ML）模型。

图1.  （a）材料基因组计划中的正向和逆向PSP关系不是唯一的；（b）通过高通量仿真和实验进行数据驱动的材料设计。

本研究提出了一种以数据为中心的材料设计方法 （图2） ，该方法集成了用于微结构分析和设计的最先进计算技术。 这些技术涉及设计表征、设计评估和设计合成。这些方法的实现需要材料数据中心[如NanoMine （图3）] 的支持。NanoMine涵盖了广泛的数据资源和工具，用于微结构分析和优化材料设计。该方法包括图像预处理、微结构表征、重建、降维、PSP关系的ML和多目标优化的系统集成。

图2.  以数据为中心的材料设计框架。SMILES：简化分子线性输入规范。

图3.  NanoMine——聚合物纳米复合材料的在线数据资源（www.materialsmine.org）。

要实现设计表征、设计评估和设计合成的无缝集成，存在一个关键的问题：对于所研究的材料体系来说，什么是合适的微结构表征？ 本研究还提出了一系列基于相关函数、物理描述符、谱密度函数（SDF）、监督学习和深度学习的微结构表征技术。 虽然不同技术的优点因材料体系而异，但是随机性起着关键作用，必须在材料表示和性能预测中对此加以考虑。

对于设计评估而言，ML方法在知识发现和构建替代基于物理仿真模型方面发挥着越来越重要的作用。 由于数据泛滥和数据缺乏在材料信息学中并存，因此必须注意确保所选的ML技术[如神经网络（NN）、随机森林（RF）、树和高斯过程（GP）]与可用数据保持一致。随着材料数据生成的越来越多，深度学习在基于图像的材料信息学中越来越受欢迎，其中对学习的微结构特征的解释依赖于开发可解释的深度模型。

最后，ML不应被视为材料发现中的一个孤立组成部分。例如，可以将ML与贝叶斯优化（BO）等信息论方法结合起来显著提高材料发现的速度。由于材料的发现在本质上不是孤立的，因此可以处理定性和定量设计变量的混合变量模型。这些模型基于对所需材料性能的影响，为不同材料概念提供了“距离”的定量测量。 未来还需要更进一步的研究来扩展目前的方法，用于处理具有数百万或数十亿种组合的高维材料设计问题。 相同的信息论框架可用于指导批量样本和高通量实验的设计。

关键词：材料信息学；机器学习；微结构；重建；贝叶斯优化；混合变量模型；降维；材料设计

以上内容来自：Wei Chen, Akshay Iyer, Ramin Bostanabad. Data Centric Design: A New Approach to Design of Microstructural Material Systems [J]. Engineering, 2022, 10(3): 89-98.