国立先进产业技术综合研究所 [会长 石村和彦]（以下简称“AIST”） 纳米管实用研究中心 [研究中心主任 Kenji Hatake] CNT 评估小组研究员 Shun Muroga、研究员 Hideaki Nakajima、Toshiya Okazaki 研究小组组长（兼）副中心主任、Kenji Hatake 该研究中心主任与先进研究中心的 Takashi Honda 研究员合作材料快速开发技术研究会（会长：喜多浩）（以下简称“ADMAT”）和吉翁株式会社（会长：田中公明）（以下简称“日本吉翁”）与国家研究开发法人新能源产业技术综合开发机构（会长：石冢弘明）（以下简称“NEDO”）合作开展超尖端材料超高速开发基础技术项目[项目]村山领袖]。 Nobumitsu（AIST 副总裁）开发了一种利用人工智能 (AI) 生成材料结构图像并预测其物理特性的技术。
这次开发的方法是碳纳米管 (CNT)制造的薄膜的结构图像和物理属性值后，团队在计算机上生成了由两到三种碳纳米管以任意比例混合制成的薄膜的人工智能图像，从而可以准确预测碳纳米管薄膜的物理属性值。与传统方法相比，这项技术显着扩大了人工智能技术可处理的材料范围，使得可以通过计算机上的虚拟实验再现碳纳米管等复杂结构材料从成分选择到评估过程的整个过程。
该研究成果于2021年8月30日（英国时间10:00）发表在科学出版公司Springer Nature出版的国际科学期刊上。通讯材料
图1 采用该技术的CNT薄膜虚拟实验
(a)以及总共1,716种CNT薄膜的物理性能预测结果
(b) （来源)
在材料开发领域，在开发阶段寻找新材料需要更高的精密度和速度、材料成分的优化以及更低的成本。因此，材料信息学是啊过程信息学深度学习，正在积极研究。这些研究预计将成为一种新方法，通过让计算机学习各种材料的数据并设计材料，将显着提高材料开发的复杂性，传统上材料开发基于人类的直觉和经验。另一方面，计算机能够处理的物体仅限于化学结构相对简单的低分子化合物、具有周期性结构的金属和无机化合物。因此，需要能够应用于碳纳米管等复杂结构材料的人工智能技术。
AIST纳米管实用研究中心以创建CNT产业为目标，开发了CNT的大量合成、结构分离、功能复合材料的生产以及安全性评价等基础技术（AIST新闻稿2017 年 9 月 12 日、2018 年 4 月 19 日、2019 年 2 月 4 日）。 AIST正在与ADMAT和Zeon合作，在NEDO“超先进材料超高速开发基础技术项目”（2016-2021）中开发材料信息学、工艺信息学等。数据驱动方法，我们正在进行研究和开发，以优化碳纳米管材料的物理性能并降低成本。
CNT材料具有复杂的层次结构，从纳米管的单个直径、层数和化学结构到它们集成的网络结构。此外，由于它们的结构根据制造方法和加工工艺的不同而发生各种变化，因此很难应用人工智能技术并设计合适的材料。因此，我们致力于开发一种利用深度学习的方法，该方法可以应用于具有复杂结构的材料系统。
本次开发的方法学习图像数据的特征并生成伪图像（AI图像）条件生成对抗网络 (C-GAN)CNT薄膜具有多种层次结构，从宏观聚集体到微观束状结构，为了使这种结构更容易在计算机上处理，有四种不同的观察放大倍数，从低（2,000倍）到高（100,000倍）。扫描电子显微镜 (SEM)图像由 C-GAN 组合和训练（图 1(a)）。这张图片的平铺方法使得准确学习碳纳米管的复杂结构并生成忠实的人工智能图像成为可能。如图 2 所示，AI 图像中再现了七种不同长度和聚集状态（具体取决于制造方法）的 CNT 结构（CNT1-7），这表明每个观察倍率的分层结构都得到了适当的学习。
图2 使用该技术生产的CNT薄膜的结构图像（实验和AI图像）
（来源)
接下来，我们验证了通过以任意比例混合不同类型的碳纳米管制成的碳纳米管薄膜的物理性能预测。在学习中，除了按照制造方法制作的7种CNT膜外，还制作了将其中的2种混合而成的CNT膜（共17种），并将其SEM图像和物性值作为学习数据。这使得在计算机上执行一系列实验任务成为可能，从选择两到三种类型的碳纳米管（材料选择），到生成以任意混合比例混合的碳纳米管结构的图像（处理），到预测物理性质（评估）。图 1(b) 显示了总共 1,716 种混合薄膜的比表面积与电导率的预测结果。这些结果表明，通过以任意比例混合碳纳米管，可以制备具有各种物理性能的碳纳米管薄膜。例如，含有 CNT1（红色三角形）的双组分混合薄膜具有约 200 S/cm 的高电导率和约 600 m2 的高比表面积2/g的CNT膜。当我们将获得的预测结果与实验值进行比较时，我们发现用于构建AI的数据可靠性（决定系数：R2）电导率和比表面积均为099。此外，当使用AI构建中未使用的数据验证AI的可预测性时，电导率的确定系数为085，比表面积的确定系数为042。未来的挑战包括提高未用于学习的数据的性能以及将此方法应用于其他材料。
我们发现，所开发的技术使我们能够以最低的材料成本获得用于制造CNT薄膜的最佳组合物，同时保持CNT薄膜的物理性能。虚拟实验获得的CNT薄膜的电导率经济效益（代表材料成本相对价值的指标）的关系如图3(a)所示。纵轴上的一个刻度代表材料成本的10倍差异，数值越大，成本越低。图中的三角形对应于每种电导率的材料成本最小化的条件，并且该情况下的CNT组成如图3(b)所示。该技术也被证明对于经济分析是有效的，而以前的经济分析需要全面的实验数据和长期分析。
这次开发的技术使得预测材料的物理性质和最佳成分成为可能，而不必仅仅依赖于原子的化学结构或周期性排列。该预测技术将比以前大大扩展材料信息学的应用范围，加速材料发展作为可用于多种结构复杂材料的人工智能技术。
图 3 使用该技术获得的材料成本图 (a) 和在每种电导率下使材料成本最小化的 CNT 混合比 (b)
（来源)
未来，我们将致力于开发针对碳纳米管、塑料、橡胶复合材料、精细陶瓷、多元材料等各种实用材料的人工智能技术。此外，我们不仅致力于材料信息学，还致力于应用于这些材料制造过程的工艺信息学，为高通量功能材料的开发做出贡献。
·纸
作者：†本田隆，†穆罗加舜，†中岛秀明、清水太阳、小桥一文、森田浩、冈崎俊哉和*畑健二
†这些作者对本手稿做出了同等贡献，* 通讯作者
标题：通过深度学习对有形材料进行虚拟实验
发表于：通讯材料，卷。 2，期数：88，页数：1-8，DOI：101038/s43246-021-00195-2
发布日期：2021 年 8 月 30 日
链接：https://wwwnaturecom/articles/s43246-021-00195-2
·补充材料
Shun Muroga，“具有非周期性、不可定义、分层、有形结构的复杂材料的深度学习虚拟实验 - 克服传统材料和过程信息学的局限性 -”，Nature Portfolio 器件与材料工程社区
链接：https://devicematerialscommunitynaturecom/posts/deep-learning-virtual-experiments-for-complex-materials-with-non-periodic-undefinable-hierarchical-tangible-structs
国立产业技术综合研究所
纳米管实际应用研究中心
研究中心主任 Kenji Hata 电子邮件：kenji-hata*aistgojp（发送前请将 * 更改为 @。）