对于给定的材料性能指标，几个JARVIS(各种集成模拟的联合自动化库)组件可以一起工作，设计优化的或全新的材料。鸣谢:Kamal Choudhary，NIST在《钢铁侠》原著电影中，当托尼·斯塔克需要去太空旅行时，他要求他的人工智能(AI)助手J.A.R.V.I.S .制作一套可以在恶劣条件下生存的衣服。正如人工智能专家Kamal Choudhary解释的那样:“在我看来，J.A.R.V.I.S .所做的是，它有一个材料数据库，扫描数据库，找到合适的材料，测试它，然后合成一种可以在太空条件下生存的合金。
"这就是我们希望我们的系统做的事情，这也是我们把它叫做贾维斯的原因."
Choudhary是美国国家标准与技术研究所(NIST)的一名研究员，他是JARVIS(各种集成模拟的联合自动存储库)的创始人和开发者，JARVIS是一个开放的数据集，旨在实现材料发现和优化的自动化。
在2021年12月的npj计算材料中，Choudhary和Brian DeCost (NIST)描述了JARVIS的最新增强，这些增强将人工智能应用于加速发现。将图形神经网络与关于材料的化学和结构知识相结合，他们的原子线图神经网络(ALIGNN)在原子预测任务方面优于先前报道的模型，具有非常高的准确性和更好或相当的模型训练速度。
“ALIGNN可以在几秒钟内预测特征，而不是几个月，”Choudhary说。
除了钢铁侠的灵感，还有材料基因组计划。该计划于2011年由奥巴马总统发起，是一项多联邦机构的努力，旨在以两倍于传统方法的速度和一小部分成本发现、制造和部署先进材料。
NIST对该倡议的最初贡献是创建了一个材料及其特性的数据库，该数据库是使用标准化的尖端计算方法严格获得的。
已经建立了几个这样的数据库，但是“JARVIS数据库的特别之处在于，它包含各种计算方法的模块，”Rutgers大学物理学教授、国家科学院成员和该项目的贡献者David Vanderbilt说。“你可以在许多不同的理论层面上接近这个领域。JARVIS的与众不同之处在于，它跨越了比其他数据库更多的层次。
贾维斯的原始数据来自密度函数理论(或DFT)的计算。“密度泛函理论是大多数人在原子水平上计算材料性质的标准方法，”范德比尔特解释道。“它们是第一原理计算，没有实验输入，结果是根据量子力学定律从理论中推导出来的。”
这种范式非常有效，“然而，如果你看看元素周期表，有数十亿种可能的元素组合——比我们能够生成的数据还要多，”Choudhary说。“这就是机器学习的用武之地。”
Choudhary推断，如果量子力学计算可以作为物理实验的筛选工具，那么机器学习可以作为昂贵计算的筛选工具。
原子线图神经网络(alignn)预测了high-CO₂吸附金属有机框架的例子。鸣谢:Kamal Choudhary，Taner Yildirim，Daniel Siderius，A. Gilad Kusne，Austin McDannald，Diana L. Ortiz-Montalvo但首先，这样的系统需要训练。像ALIGNN这样的神经网络需要大量的训练数据才能有效。Choudhary的尖端人工智能模型背后是对70，000种材料的DFT模拟，并且还在不断增加。这个不断增长的数据库用于训练神经网络，神经网络反过来可以快速表征新材料或筛选具有特定属性的材料。
“这是材料基因组计划的梦想成真，”Choudhary说。
Choudhary和他的合作者在arXiv中提供了一个系统如何加速发现的例子。他们使用alignn预测了金属有机框架的CO₂吸附特性，这是一种可以从大气中去除CO₂的多孔材料，并通过计算对实验合成的主要候选物进行排名。
贾维斯数据集主要是在NIST的超级计算机上生成的，这些计算机已经为此工作了近五年。最近，Choudhary获得了德克萨斯高级计算中心(TACC)的Frontera和Stampede2超级计算机的访问权，这些计算机也为数据集做出了贡献。
“机器学习领域自20世纪80年代以来就已经存在，但主要问题是精心策划的数据集，”Choudhary说。“我们的数据库中现在接近10万种材料，这是因为弗龙特拉和NIST才有可能实现的。这有助于我们弥合这一差距。”
有了大量可用的训练样本，以及硬编码到神经网络中的化学和物理知识，Choudhary能够大大提高他的机器学习模型的准确性。“你能使用的领域知识越多越好。我觉得物理和AI不应该是彼此的竞争对手；他们应该是朋友和合作者。”
ALIGNN工具，就像那些用于DFT计算和其他机器学习方法的工具一样，被集成到JARVIS中，并提供给全球的研究人员。Choudhary估计每年有8000名化学家和生物学家使用这个知识库。最近，它使阿贡国家实验室的科学家能够研究拓扑磁性材料，并帮助西北大学的研究人员研究材料的转移学习。
Choudhary还与David Vanderbilt合作开发“超越DFT”方法，将其应用于量子材料，并将这些方法和数据集集成到JARVIS中。
“DFT有一些重要的近似值，”范德比尔特说。“因为电子被视为独立的，所以你错过了量子材料中一些非常特殊和有趣的行为，这些行为导致了超出普通理论正常预期的效应。”
这些包括但不限于非传统超导、量子霍尔效应和拓扑磁结构。“对于这些种类的材料，普通的DFT不够好，”他继续说。“我们的数据库采用了三或四种更高层次的超越DFT方法，让社区了解基于底层方法的答案可能会有什么不同。”
通过建立可能材料的数据库和开发自动筛选工具，Choudhary希望加快发现的速度，使类似钢铁侠的能力更接近现实。
“想象有一天，一个模型可以预测一种新材料、一种新药物，并且说，‘在一百万个分子中，先试试这个。’”乔杜里说道那是材料科学的黄金时代。"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
