材料化学与机器学习分子和材料科学中的机器学习

　　分子和材料科学中的机器学习
　　摘要：在此，我们总结了在化学科学的机器学习方面的最新进展。我们概述了适合于解决这一领域的研究问题的机器学习技术，以及该领域的未来发展方向。我们设想， 在未来，人工智能将加速分子和材料的设计、合成、表征和应用 。
　　薛定谔方程为分子和材料提供了一个强大的结构-性质关系。对于给定的化学元素的空间排列，可以描述电子的分布和广泛的物理响应。量子力学的发展为化学键提供了严格的理论基础。1929年，保罗·狄拉克著名地宣称，整个化学过程的基本物理定律是＂完全广为人知的＂1。约翰·波普尔意识到快速发展计算机技术的重要性，创建了一个程序——高斯70——可以进行从头计算：纯粹从物理基本定律预测中等大小的分子的行为。在20世纪60年代，量子化学项目交换以有用的实用工具的形式将量子化学带到大众中。突然之间，很少或没有理论训练的实验人员也可以进行量子计算。使用现代算法和超级计算机，包含数千个相互作用的离子和电子的系统现在可以用在原子尺度上支配世界的物理定律的近似值来描述。
　　在21世纪，计算化学领域变得越来越具有预测，其应用范围广泛，如温室气体转化的催化剂开发、能量收集和存储的材料发现以及计算机辅助药物设计。现代化学模拟工具包允许在实验室制备化合物之前（以合理的准确性）。高通量计算筛选已经成为常规，使科学家能够计算出数千种化合物的性质，作为单一研究的一部分。特别是密度泛函理论（DFT）8、9，现在一个成熟的技术计算固体的结构和行为10，使发展广泛的数据库，涵盖已知的和假设的系统的计算属性，包括有机和无机晶体、单分子和金属合金11-13。
　　当代人工智能方法的出现有可能极大地改变和增强计算机在科学和工程中的作用。大数据和人工智能的结合被称为＂科学的第四次范式＂14和＂第四次工业革命＂15，并且在化学领域的应用数量正在以惊人的速度增长。近年来人工智能的一个子领域是机器学习。机器学习应用的核心是统计算法，它的性能与研究人员一样，随着训练而提高。机器学习工具的基础设施在不断增长生成、测试和完善科学模型。这种技术适用于解决涉及大量组合空间或非线性过程的复杂问题，这些问题是传统的程序要么无法解决的，要么只能以巨大的计算代价来解决的。
　　随着人工智能和机器学习机制的成熟，不仅主流人工智能研究领域取得了重要进展，其他领域的专家（领域专家）也采用这些方法以达到自己的目的。正如我们在方框1中详细介绍的那样，促进机器学习技术应用的资源和工具意味着，进入机器的门槛比以往任何时候都要低。在这篇综述的其余部分，我们讨论机器学习在解决分子和材料研究的挑战方面的进展。我们回顾了机器学习方法的基础知识，确定了现有方法有潜力加速研究的领域，并考虑了为实现更广泛的影响所需的发展。
　　加速科学方法
　　无论是通过实验数据的枚举和分析，还是编纂化学直觉，信息学在指导实验室化学家方面的应用正在迅速发展。在本节中，我们将探讨机器学习如何帮助人们取得进步，并 减少化学和材料的设计、合成、表征和建模之间的障碍 。我们还描述了一些重要的发展，在人工智能领域的数据挖掘现有的文献。
　　建立新的原则
　　通过检查经过训练的机器学习系统的权重来自动发现科学规律和原则95,96是科学的一个潜在的变革发展。虽然从机器学习中开发出来的模型是可预测的，但它们不一定（甚至通常）是可解释的；这有几个原因。首先，机器学习模型代表知识的方式很少能直接映射到科学家所熟悉的形式上。给定合适的数据，人工神经网络可能发现理想气体定律（pV=nRT），但将连接权值转换成公式，通常通过统计学习，是平凡的，即使对于这样一个简单的气体定律。第二个原因更为微妙：构成一种化合物的行为可能取决于科学家们还不具备的知识，比如产生一种新型超导性的多体相互作用。如果一个先进的机器学习系统能够学习量子力学的关键方面，那么如果科学家缺乏对量子力学的基本组成部分的理解，就很难想象它的连接权重如何变成一个可理解的理论。最后，可能会有一些非常复杂的科学定律，如果它们被机器学习系统发现，即使是知识渊博的科学家也无法理解。一个能够识别和使用这些定律的机器学习系统将是一个真正的计算黑盒子。
　　随着科学家们在他们的研究项目中接受将机器学习纳入统计驱动的设计，报告的应用程序数量正在以惊人的速度增长。这个新一代的计算科学，在一个开源工具和数据共享平台的支持下，有可能彻底改变分子和材料的发现。