Materials Expert-Artificial Intelligence for Materials Discovery
Yanjun Liu, Milena Jovanovic, Krishnanand Mallayya, Wesley J. Maddox, Andrew Gordon Wilson, Sebastian Klemenz, Leslie M. Schoop, Eun-Ah Kim
材料数据库的出现提供了一个前所未有的机会,可以发现来自广阔数据空间的新兴材料属性的预测描述符。 然而,对高通量ab initio数据的共同依赖必然继承了此类数据的局限性:与实验不匹配。 另一方面,实验决策往往以专家的直觉为指导,这些直觉很少被阐明。 我们建议使用机器学习来“装瓶”这种操作直觉,使用经过专业策划的基于测量的数据进行量化的描述。 我们介绍“材料专家 - 人工智能”(ME-AI)来概括和表达人类的这种直觉。 作为迈向此类计划的第一步,我们专注于方网材料中的拓扑半金属(TSM),作为基于结构信息的专家识别描述符启发的属性:公差因素。 我们首先策划了一个包含879个正方形材料的12个主要特征的数据集,尽可能使用实验数据。 然后,我们使用基于Dirichlet的高斯过程回归,使用专门的内核来揭示方形拓扑半金属的复合描述符。 ME-AI学习的描述符独立地再现了专家的直觉并扩展了它。 具体来说,新的描述符指出超值是预测方网化合物中TSM的关键化学特征。 我们通过精心定义的问题取得成功,指出“机器装瓶人类洞察力”方法有望为机器学习辅助材料发现带来希望。
The advent of material databases provides an unprecedented opportunity to uncover predictive descriptors for emergent material properties from vast data space. However, common reliance on high-throughput ab initio data necessarily inherits limitations of such data: mismatch with experiments. On the other hand, experimental decisions are often guided by an expert's intuition honed from experiences that are rarely articulated. We propose using machine learning to "bottle" such operational intuitio...