---------- 獲取更多信息，請關注我們----------
近兩年，美國國防領域高度重視機器學習技術在材料研發領域的應用。機器學習可有效利用材料實驗仿真所產生的大數據，是國際材料學界公認的加速材料創新發展的顛覆性技術，並不斷在材料設計、合成條件優化、性能預測等領域取得突破，展現了這種技術應用的巨大優勢。
一、提高材料組分和結構優化效能
傳統材料設計過程需經過大量的計算模擬和實驗驗證，利用機器學習可加速計算且無需試驗，迅速優化材料的組成和微觀結構，將數月至數年的研發時間減少至數周，且材料綜合性能顯著提升。
2018年7月，在美國海軍研究署資助下，麻省理工學院以數十萬個經有限元分析得出的材料微觀結構與力學性能作資料庫，通過卷積神經網絡模型構建微觀結構與力學性能關係，得到兼具高強高韌的多級複合材料最佳微觀結構，並利用增材製造技術製備出試樣。新材料的韌性是資料庫中最佳柔性材料的40倍，強度是資料庫中最佳剛性材料的2倍。
2018年10月，在美國DARPA「MAKE-It」項目資助下，麻省理工學院利用包含25萬個分子結構資料庫，採用神經網絡算法量化分子結構和藥物性能之間的關係，將原子、化學鍵等重新組成官能團，得到的新型藥物可溶性提高30%，效應分子數量提高80%，研發時間縮短至數周。
2019年1月，美國馬里蘭大學帕克分校在DARPA資助下，依據材料的原子量、軌道角動量、自旋角動量、晶格失配等參數組成資料庫，利用決策樹回歸和神經網絡等算法建立熱電動勢與各變量的關係模型，設計出新型熱電材料Fe0.665Pt0.27Sm0.065。測試結果表明，該材料的熱電動勢為11.12μV/K，比當前使用的鉑基合金熱電材料高一個數量級，可製備新型軍用溫差發電器，保證更長時間的戰場供電需求。
圖1 決策樹回歸算法模型
2019年2月，在美國海軍研究署資助下，美國喬治亞理工學院以提高電容器容量為目的，利用量子力學計算得到的電子結構資料庫，建立神經網絡算法並預測兩種電容器構成材料——鋁和聚乙烯的系統總勢能和原子間作用力，與傳統的計算材料學相比預測速度提高了8個數量級。
二、提高工藝參數優化效能
材料製備通常採用「試錯法」進行疊代試驗，通常需花費數天時間設計分子合成路徑，並耗費數月對合成方法進行試驗與優化。採用機器學習技術可對製備過程的各個階段參數進行準確計算，提高合成速度和準確率。
2018年11月，在美國陸軍研究署資助下，美國麻省理工學院利用神經網絡模型探索合成目標有機物所需溶劑、催化劑和反應溫度，並開展製備實驗。這種方法可在100毫秒內預測合成目標有機物所需的各項參數，預測的最優溫度與實驗獲得的最佳合成溫度的差值在10%。
2019年4月，在美國海軍研究署資助下，Senvol公司將現有增材製造工藝參數（包括雷射功率、掃描速度、掃描間隔等）與金屬部件性能參數（包括微觀結構、密度、孔隙率、表面粗糙度等）作為資料庫，採用數據驅動方法建立工藝參數與性能參數關係模型，可根據美國海軍對316L不鏽鋼的要求，直接確定增材製造零部件的工藝參數，未來有望為海軍節省90%的測試時間和成本。
2019年6月，在DARPA資助下，美國哥倫比亞大學制定了有機分子合成反應中各種單步反應的規則庫（包括產物、反應條件、反應成本、原料成本等），然後採用強化深度學習算法與反應成本評價神經網絡，搜索目標分子結構與可用商業原料間的最優化合成途徑。結果表明，這一方法比現有有機分子合成途徑搜索策略的準確率提高約60%。
圖2 強化深度學習加快有機分子合成途徑示意圖
2019年10月，加州大學伯克利分校在美國海軍研究署資助下，為加快新型無機材料研發速度，採用科學出版物中收錄的19488條化學方程式訓練機器學習算法，建立的目標材料與合成路徑模型準確率達93%，將大幅減少實驗次數。
三、提高材料性能預測效率
傳統材料性能預測方法往往局限於特定結構和特定結構參數，也不適用於多級結構，且分析時間較長，制約了預測效率的提高。通過機器學習技術，可對相關結構進行處理，與性能形成關係模型，以快速篩選未知材料。
2018年6月，美國馬里蘭大學在海軍研究署資助下，將10種化合物中的109個分子結構作為機器學習資料庫，通過核嶺回歸算法建立含能材料分子結構與特性間關係模型，有望在數毫秒內快速預測含能材料的爆轟壓力、爆速、爆炸能量、生成熱、密度等特性，而傳統量子化學計算方法則需數天時間。兩種計算方法的結果誤差僅為4%。
2018年6月，在美國空軍科學研究署資助下，馬里蘭大學以12000種已知臨界溫度的超導材料作為機器學習資料庫，採用隨機森林算法建立超導材料結構與超導臨界溫度關係模型，對銅酸鹽超導材料、鐵基超導材料臨界溫度的預測準確度達92%，並用該模型在無機晶體結構資料庫中預測了35種臨界溫度超過20K的新超導體。
2019年9月，在美國國防部和海軍研究署資助下，紐約州立大學布法羅分校利用含有200萬個材料晶體結構的資料庫，藉助機器學習技術量化超硬材料結構與硬度間關係，對36種現有超硬材料的硬度預測結果與傳統模量計算結果一致。
機器學習技術能打破材料研究各環節的局限性，改變了材料的設計實驗方式，改善材料研發耗時長、準確性低的現狀，提高了材料研發速率和材料性能。
（藍海星：陝臨喆 方楠 王敏）
1
美國海軍利用機器學習提高反艦巡航飛彈防禦教學演訓水平
2
利用機器學習實現用戶意圖檢測
3
高溫超導消磁系統將在美海軍艦艇上應用
4
高水通量二維共價有機框架材料
5
2019年美國海軍採辦項目大事件回顧
歡迎轉載，轉載請註明出處。