由韩国高级科学技术研究所 图1
M3I3旗舰项目示意图
该项目旨在通过材料建模、成像和机器学习实现多尺度“结构-性质”和“处理-性质”关系的无缝集成
凭借人工智能引导的自动合成能力，M3I3将在不久的将来加速新材料的开发
信用:KAIST 开发新材料和新工艺一直在改变世界
佳兆业的M3I3计划通过在材料成像方面实现突破，带来了对推进材料发展的新见解，这些突破在材料发现方面带来了范式转变
该倡议的特点是结合最新的材料处理数据，对结构和属性关系以及材料层次进行多尺度建模和成像
由洪教授领导的研究小组分析了由全球领先的研究所和研究小组报告的材料研究项目，并使用具有科学解释的机器学习导出了一个定量模型
这一过程体现了M3I3的研究目标:材料和分子建模、成像、信息学和集成
研究人员讨论了多尺度材料和分子成像与机器学习相结合的作用，并提出了M3I3的未来发展前景和主要挑战
通过建立这个模型，研究小组设想为材料创造一套理想的性能，并获得合成它们的最佳工艺配方
洪教授说:“各种显微镜和衍射工具的发展，能够在多尺度水平上实时绘制材料的结构、性质和性能，使我们认为材料成像可以从根本上加速材料的发现和发展。”
“我们计划使用FAIR(可查找、可访问、可互操作和可重用)原则构建M3I3可搜索结构和属性地图存储库，以标准化最佳实践并简化早期职业研究人员的培训
" 图2
容量等值线三角形图，为成分(镍、钴和锰)、粒度、烧结温度/时间、测量温度、截止电压和碳率的函数
信用:KAIST 显示纳米尺度的结构特性成像能力的例子之一是用于新兴非易失性存储器件的未来材料的开发
具体来说，研究团队专注于使用光子、电子和物理探针在多尺度结构层次以及结构-属性关系上的显微术，以提高存储设备的性能
“M3I3是一种对未来材料进行逆向工程的算法
逆向工程从分析尖端材料或产品的结构和组成开始
一旦研究团队确定了我们未来目标材料的性能，我们就需要知道生产未来材料的候选结构和成分
" 该研究小组基于传统的NCM(镍、钴和锰)阴极材料建立了一个数据驱动的实验设计
因此，研究小组扩展了他们的未来方向，以实现更高的放电容量，这可以通过富锂阴极来实现
然而，主要的挑战之一是描述富锂阴极性能的可用数据的局限性
为了缓解这个问题，研究人员提出了两个解决方案:首先，他们应该构建一个机器学习引导的数据生成器来进行数据扩充
其次，他们将使用基于“迁移学习”的机器学习方法
由于NCM阴极数据库与富锂阴极具有共同的特征，因此可以考虑重新利用NCM训练模型来辅助富锂预测
通过预训练模型和转移学习，研究小组预计即使数据集很小，也能对富锂阴极做出出色的预测
随着实验成像技术的进步、高分辨率信息和大数据的可用性、高性能计算的显著进步以及全球范围内对通用、协作、集成和按需研究平台的大力推动，推进M3I3计划所需的能力有了明显的融合
洪教授说:“一旦我们成功地使用逆“性质-结构-处理”求解器来开发高能量密度锂离子电池的阴极、阳极、电解质和膜材料，我们将把我们的材料范围扩大到电池/燃料电池、航空航天、汽车、食品、医药和化妆品材料
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
