江苏龙网

  1. 首页 > 资讯 > 资讯 > >

新材料|大数据如何塑造材料科学家的新世界？( 二 )


新材料|大数据如何塑造材料科学家的新世界？
本文图片

材料科学的发展新趋势：从“基于实验的经验型模式”向“基于数据的预测型模式”转变
国外如火如荼 ， 国内也毫不逊色 。 2016年初 ， 科技部正式发布“材料基因工程关键技术与支撑平台”的重点研发计划 ， 很多大学和科研院所都搭建起具备材料计算和材料合成的设备 ， 加入材料基因探索的浪潮 。 [1] 近年来 ， 针对某些具体问题或性质的材料基因计算研究论文相继上线 ， 国内对材料大数据的研究已初具规模 。
但是 ， 与拥有大量基础的欧美相比 ， 我国在材料计算方面有着全方位的差距 。 然而 ， 新材料的研发与应用反映了一个国家的科技竞争能力 ， 对国家安全和社会经济发展有着重大意义；只有全面、精确、规模化的材料数据库的建成 ， 才有可能更有效地指导新材料的研发和突破 。 在这一点上 ， 中科院物理所近期上线的“Atomly”数据库 ， 一步到位地填补我国没有世界级材料数据库的空白 。
03
Atomly上线 ，
或是材料基因研究的下一块拼图
Atomly(https://atomly.net), 是中科院物理所最新原创的材料数据库 。 作为材料数据库中的“后起之秀” ， 它不仅集各个前辈之大成 ， 而且还在某些方面超越了它的前辈们 ， 甚至实现了诸多创新功能 。 Atomly的特点如下：
新材料|大数据如何塑造材料科学家的新世界？
本文图片

Atomly.net数据库上线 ， 主界面如图所示（需注册）
1. “更多、更强”的数据
到目前为止 ， Atomly已经计算了14万多种材料的相关数据 ， 这些材料包含了经过数据库比对去重后的无机晶体结构数据库 (ICSD) 中的大部分结构 ， 该数据库在实验合成及晶体研究领域久负盛名 ， 也包含了一大批以往DFT计算研究中提出的假想结构 。 因此 ， Atomly内含的材料数据不仅全面 ， 而且和材料实验的联系十分紧密 。
新材料|大数据如何塑造材料科学家的新世界？
本文图片

Atomly材料数据库目前的数据条目统计
在此基础上 ， 我们得到了其中14万多种材料的详细电子结构信息（能带 ， 态密度等）以及近4万组热力学相关的相图 。 这些数据可以让人们更深入地了解材料的相关性质 ， 并能充分利用这些精度统一的信息去助力新材料的研发与探索 。
新材料|大数据如何塑造材料科学家的新世界？
本文图片

Atomly数据库目前涵盖的信息
2. 个性化计算服务Run4U
材料数据库的用户们 ， 物理背景往往并不相同 ， 有些用户不熟悉第一性原理计算软件 ， 或者想便捷的了解我们数据库中未包含结构的性质 。 因此 ， 我们开发了Run4U这一功能 。 这一功能支持用户在线自主上传新的结构 ， 我们的后台会对这些结构进行初步的筛选 ， 如果数据库中真的没有包含 ， 就会自动进行第一性原理计算 ， 2-3天后用户便可在列表中看到想要的计算结果 。 使用Run4U功能时 ， 用户无需购买软件、计算资源 ， 也无需掌握学习DFT的计算细节；同时 ， 计算的结果可以自动被后台分析入库 ， 可复查、复用 。 Run4U的设计对用户非常友好 ， 其流程如下图所示 。
新材料|大数据如何塑造材料科学家的新世界？
本文图片

run4u ， 用户提交结构并计算
3. 创新型材料设计方法
新材料|大数据如何塑造材料科学家的新世界？
本文图片

“地毯式”全库材料搜索示意图
（1）通过高通量计算生产材料数据 ， 进一步从数据出发搜索新材料 。 此类方法已有成功案例：过去70年人类平均每年发现3.3个氮化物材料 ， 加州大学伯克利分校的Ceder组通过高通量计算等材料大数据方法 ， 一年内发现92种有可能材料 ， 并用实验合成7种 。 [7]
（2）机器学习势函数作为近年来迅速发展的学科 ， 正在逐渐展示其优越性 。 在分子动力学中 ， 对于传统势函数而言 ， 往往缺乏一定的精度 ， 这导致在时间步长的积累之下 ， 势函数带来的“误差”将逐步积累 ， 最终将给出一个错误的结果 。 而机器学习则可以利用DFT计算的数据进行拟合 ， 得到的模型可在给定相应构型的情况下 ， 预测出相应的物理属性 ， 例如能量 ， 力等 。 基于Atomly材料数据库内的大量数据 ， 我们开发了一套精准的机器学习势函数工具包(Highly Accurate Artificial Intelligence Force Field, 简称HAAIFF) ， 可以精确拟合分子动力学中所需的体系能量 ， 原子受力等参量 。 在保证精准的前提下 ， 我们对程序包进行了优化 ， 使其可在GPU上进行训练以及预测 ， 极大的提高了该机器学习势函数的速度 ， 为运行分子动力学提供了便利 。 使用户同时获得密度泛函理论计算的精度和经典分子动力学的速度 。 该工具包可供用户进行自行使用 ， 同时 ， 为了节省用户收集DFT计算数据带来的成本 ， 我们提供了由该工具包训练的机器学习势函数库 ， 用户可在这些函数库的基础上 ， 再次二度训练 ， 以此既可以节省收集数据时间 ， 又可以扩增机器学习势函数适用范围 。 以下为HAAIFF训练金属钨体系例子（含BCC和FCC的超胞结构 ， 展示了HAAIFF高精度的特性） 。 我们将于不久的未来发布这一方法及程序包 。


推荐阅读


上一篇：洋州老张|时速350公里高铁年内开建，串联苏鲁两省，沿线4市经过你家乡吗？

下一篇：天文|宇宙中14%的大质量恒星注定要以黑洞的形式碰撞