第1節材料設計范式的變革：

背景和意義材料智能設計與制造導論IntroductiontoIntelligentMaterialsDesign&Manufacturing建議學時：4個學時（部分內容對應教材第1章和第5章）材料智能設計的背景21.1材料研究范式的轉變。1.2數據+智能加速材料研發案例（模擬數據）1.3數據+智能加速材料研發案例（真實數據）為什么需要數據+智能驅動的方式？什么是數據+智能驅動的材料設計？數據+智能驅動材料設計的基本思路？回答的問題：主要內容：材料研發的模式3如何設計或尋找一種滿足需求的新材料？有哪些方法，是什么在驅動材料尋找過程？新材料的開發周期長，成本高巨大、復雜、高維的搜索空間結構空間微觀組織結構空間相空間化學組成、成分空間加工工藝空間服役性能空間材料研發的挑戰數據、知識相對有限4材料研發的挑戰關鍵科學問題:無法通過“試錯法”等方法在數量巨大的候選材料空間中快速找到最佳性能。假設有30種元素，分別可以組成五元六元七元合金，每種元素的成分有五種取值，共有=

種合金隨著成分成分調控、工藝改善，可能的候選材料急劇增加。5材料研發的模式6第一個范式：試錯法白熾燈燈絲的選擇：根據需要，嘗試眾多材料，從中挑選合適的材料研發的模式7第二個范式：經驗或理論指導燈絲怎么樣才會發光？高熱量怎么產生高熱量？大電阻通過物理測試：高熔點尋找電阻大、熔點高的材料鎢燈絲材料研發的模式8第三個范式：計算指導計算各元素的電阻和熔點，代替物理測試材料研發的模式9第四個范式：數據+智能驅動利用已有數據，建立預測模型，對未知材料的電阻和熔點進行預測，指導選擇材料的研發逐漸從經驗、理論、計算輔助向數據+智能驅動發展，形成材料研發的“數據范式”第一范式:試錯法實驗160019502000第二范式:經驗或模型熱力學定律

WorkdonebysystemChangeininternalenergyHeataddedtosystem第三范式:計算第一性原理計算分子動力學模擬第四范式:數據+智能驅動機器學習優化算法人工智能材料研發模式的轉變10這門課相關領域的前沿狀態11基于貝葉斯優化的化學機器人

基于GPT和貝葉斯優化的自主實驗

隨著材料復雜程度提高，研發周期變長T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程trial-and-error試錯法：解決比較簡單的材料設計問題T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程trial-and-error經驗和理論方法：解決復雜一點的材料設計問題T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程Intuitionandtheorytrial-and-errorCalculationIntuitionandtheoryT

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程計算方法：解決更復雜的材料設計問題trial-and-errorIntuitionandtheory隨著研究范式的進步，材料的研發時間縮短T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程Calculationtrial-and-error除以上幾種方法外，期望更快地處理更復雜的材料設計問題T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程CalculationIntuitionandtheorytrial-and-errorCalculation數據驅動的材料設計方法T

Lookman,PVPrasanna,D

Xue,

R

Yuan,

npjComputationalMaterials.2019;5,21如何加速材料研發的過程Intuitionandtheory材料研發模式的轉變19什么是數據驅動的材料設計？數據驅動材料設計的基本思路？研究背景材料的研發通常是尋優問題（搜索全局極值的問題）在巨大搜索空間快速高效地找到全局極值20Y

=f(x)+ξ研究背景材料研究需要建立：存在問題：表達式f(x)難以建立，或者根本不存在已存在的f(x)并不令人滿意需要大量的樣本建立f(x)x:材料的成分組成、工藝條件等Y:材料的目標性能21機器學習可以從已知數據學習規律，并對未知數據進行預測x:材料的成分組成、工藝條件等Y:材料的目標性能f:Y與x間的函數關系基于預測的分布有望快速找到具有優化性能的材料組分Y

=f(x)+ξ可以預知未知材料的目標性能Y的分布

研究背景-材料信息學工具：機器學習22統計模型數據結果反饋計算機模擬計算實驗制備與表征機器學習性能預測積累大量數據，建立機器學習模型，對性能進行預測基于機器學習的材料信息學傳統研究方法/10.1038/srep02810/10.1038/nature17439基于傳統方法已經成功快速預測一系列新的化合物或合成條件

研究背景-傳統研究方法23對于實驗來說，數據相對較少，導致模型較差，性能預測不準確關鍵問題：如何從“小數據”出發，快速、有效地開發新材料？實驗數據少模型差性能預測不準確不能有效地指導實驗統計模型數據新實驗數據反饋計算機模擬計算實驗制備與表征機器學習性能預測

研究背景-小數據存在的問題24

研究背景-如何利用機器學習輔助材料設計25二、研究案例26A“Simulated”Case案例27假定想通過變化X最大化Y問題：如果只知道三個數據點，怎么找到最佳x使Y最大化？28如果知道Y關于X的分布，問題就容易解決YmaxXoptimized29如何找到最佳X使得Y最大？現實情況：不知道Y關于X的分布30一個簡單的線性模型這種模型被稱為“回歸”(Regressor)例如：可以利用不同算法估計31利用“回歸”預測對應所有X的Y可以選擇最佳預測Y進行下次實驗這種選擇被稱為“選擇器”(Selector)32驗證選擇的最佳數據點33將新的數據點放入訓練集，現在有四個數據點34新的數據點將會修正“回歸”模型35利用選擇器選擇下一個數據點36再次進行實驗驗證37將新的數據點放入訓練集，現在有五個數據點38實驗反饋回路39幾乎嘗試了所有可能性：94.2%反饋回路需要111次迭代找到最佳的Y40?依然幾乎嘗試了所有可能性類似的，可以用多項式模型作回歸41可以加入“領域知識”42我們只需要嘗試一半的可能性加入“領域知識”43可以加入“實驗設計”，即選擇器44“回歸”：線性模型+“選擇器”：全局優化嘗試了四分之一的可能性利用全局優化“選擇器”選擇下一個實驗45利用全局優化“選擇器”選擇下一個實驗“回歸”：多項式模型+“選擇器”：全局優化46同時加入“實驗設計”和“領域知識”47

同時加入“實驗設計”和“領域知識”48機器學習結合優化實驗設計和領域知識有希望加速新材料的開發過程！“Simulatedcase”小結49真實的例子50

研究對象能夠感知電、磁、溫度、力等外場并產生驅動的重要功能材料鐵性智能材料形狀記憶合金鐵電壓電材料磁致伸縮材料宏觀上的智能響應起源于其微觀序參量對外場的響應εP電場溫度/力場電極化序參量晶格應變序參量M磁場磁矩序參量51對鐵性智能材料響應幅度及敏感度等關鍵性能提出越來越高的要求!

智能時代的關鍵材料在高技術與現代國防領域具有重要應用原子力顯微鏡智能手機醫用血管支架太空望遠鏡激光器定位系統偵察衛星微機電系統潛艇減振和聲吶

重大需求52Selectingtheselector例子一53LinearRegressionLinearDiscriminantAnalysisQuadraticDiscriminantAnalysisK-NearestNeighborsBestSubsetSelectionRidgeRegressionandtheLassoPrincipalComponentsRegressionPartialLeastSquaresPolynomialRegressionandStepFunctionsSplinesDecisionTreesSupportVectorMachines……..例子一-回歸模型54如何為下一個實驗選擇候選材料？例子一-問題55Trialanderror

（“試錯法”）Exploitation（“開發”）Exploration（“探索”）Balancetradeoffexploitationandexploration……例子一-不同的選擇器56假如機器學習模型能夠完美地學習Y關與x的分布，那么可以直接選擇預測最大值開發例子一-不同的選擇器57但模型性能也可能很差，預測值會伴隨較大不確定性，為了提升模型性能，可以選擇不確定性最大的數據點，補充到訓練集探索例子一-不同的選擇器58bestsofarNewsamplesProperty1234ExpectedImprovement

（“預期提升”）平衡開發和探索例子一-不同的選擇器全局優化59平衡開發和探索同時考慮模型的預測值及其不確定性例子一-不同的選擇器60例子一-反饋迭代回路YuanR,etal.AdvancedMaterials,30(7):1702884(2018)/10.1002/adma.201702884.61目標性能:電致應變例子一-目標材料驅動器，換能器等ElectricenergyMechanicalmotion62材料數據和待搜索空間例子一從61個數據點出發，快速在約60萬種化合物中找到具有高電致應變的成分63例子一-特征選擇皮爾遜系數結合梯度下降選擇最優特征組合，xElectro-strain=f

(x1,x2,x3,x4,……)64考慮均方誤差和交叉驗證誤差，基于徑向基核函數的支持向量機是最佳回歸模型，f例子一-模型選擇Electro-strain=f

(x1,x2,x3,x4,……)6