国立先进产业科学技术研究所 [主席：石村和彦]（以下简称“AIST”）功能材料计算设计研究中心[研究中心主任：浅井义博]量子化学和分子模拟团队研究组组长中村恒夫、首席科学家 Marius BUERKLE 等人正在与新能源和产业技术综合开发机构合作[主席：石冢]弘明]（以下简称“NEDO”）“超先进材料超高速开发的基础技术”项目[项目负责人村山信光（AIST副总裁）]承运人运输第一性原理计算通过将模拟器和人工智能技术相结合，我们开发了一种计算相当于实验数据的电导率的基础技术。通过在计算机上使用该技术进行虚拟实验，预计将生成大量有关材料电性能的数据，并且通过对这些数据使用人工智能，将导致构建所谓的逆问题预测技术，该技术可以预测和设计具有所需电性能的材料。
这项研究的详细信息将于 2021 年 4 月 27 日（东部夏令时间）发表在《美国物理学会》杂志上。物理评论信》发布
计算与AI协同虚拟实验概念图
在材料行业中，人们强烈希望显着缩短材料开发周期，因此人们越来越期望利用数据进行材料设计，而不是仅仅基于经验和直觉进行材料开发。为了实现这一目标，一种有效的方法是利用人工智能（AI）技术来预测材料的成分和结构信息，从而实现所需的功能和性能，或者解决所谓的逆问题。利用人工智能预测反问题需要输入大量、广泛的与材料的成分和结构有明确联系的功能和属性数据，但在材料领域，很难说这样的高质量数据是丰富的，而一个重大挑战是如何生成大量、广泛领域的高质量数据。
AIST 正在致力于开发材料数据的按需生成技术，该技术利用计算模拟、高速原型制作/创新工艺技术和先进的纳米测量评估技术。我们正在开展“超先进材料超高速开发基础技术项目（FY2016-2021，以下简称“Super-Super PJ”），旨在构建基于数据的材料设计技术，与传统材料开发相比，显着缩短原型数量和开发周期。在此背景下，我们努力通过这些努力，将计算模拟从原子/分子层面向成分层面进行多尺度应用，强化材料功能预测能力，提高数据质量，推动积极利用计算模拟数据的基于数据的材料设计技术的发展。然而，仅仅通过开发计算模拟方法，很难克服允许直接计算模拟的材料尺寸的限制。材料的成分/结构和功能/性质数据之间的明确联系对于计算模拟来说是一个优势，但作为完全取代实验的数据生成方法并不现实，并且仍然处于相互补充的地位。
1) 利用人工智能提高计算模拟的正向问题解决能力
超级超级计划强调技术开发，生成与实际实验结果相当的物质数据，将计算模拟的使用置于其核心，并开展研究以提高使用人工智能的计算模拟的前向解决问题的能力。图1示意性地总结了新开发的方法。首先，构成材料的所有原子的相对位置信息被简化为局部信息。这个描述符同时，我们对各种结构和成分的电导率进行了第一性原理计算模拟，并得到了结果数据深度学习方法学习由于描述符由结构的局部信息组成，因此可以将其用作组件来构造无法直接应用第一性原理计算的大尺寸区域的描述符。我们创建通过学习确定的多个层，以便描述符和电导率双向关联，并设计阵列。结果，我们验证了可以将电导率与由于第一原理计算中计算机性能限制而无法直接应用的大尺寸区域中的描述符联系起来，并且可以以极高的精度预测电导率。
*AI 学习步骤（第一原理计算模拟和学习数据生成）以蓝色显示，经过训练的 AI 的预测步骤以橙色显示。
图1结合第一性原理计算模拟和深度学习的材料函数估计方法流程
2) 验证结果(1) 电导率预测的准确性
图2显示了与第一性原理计算模拟结果相比的验证结果。图 2 中插入的左图显示了将使用为训练创建的第一性原理计算计算出的电导率作为横轴（真实数值）分量、将训练后的深度学习 AI 的预测值作为纵轴（预测）分量绘制的结果。预测值与计算值吻合较好，决定系数(R2) 的值非常接近 1，表明对训练数据进行了良好的估计。使用未用于学习的数据进行验证的结果如图2中插入的右图所示。横轴（真实数值）是在大于训练数据的尺寸区域中基于第一性原理计算的电导率计算值，纵轴（预测值）是根据图1中说明的过程，使用深度学习的预测值，该深度学习由已经在小尺寸区域中训练的层组成。预测值和计算值也非常吻合，并且系数判定结果极其接近 1，表明在这种情况下也做出了良好的估计。这样，已经验证了即使对于大于训练数据区域的区域中的未知成分和结构，遵循图1中解释的过程的深度学习方法也可以提供非常好的估计结果。
3) 验证结果(2) 断裂接合实验（宏观实验）
我们已经验证该技术不受计算模拟的大小限制。结果如图2主体部分所示。为了验证实验，我们选择了一种断裂粘合实验方法，该方法在金属棒反复受到拉伸和压缩的同时，同时测量和分析电导率。该实验方法的一个特点是在实验过程中形成大量的结构，并且可以获得包括所有这些结构的电导率在内的大量数据。利用人工智能对材料成分和结构信息进行逆问题预测需要从广泛的成分和结构中获得大量的功能属性数据，这种实验方法非常适合验证新开发的计算和人工智能融合技术的能力。通过计算模拟断裂粘合过程，并使用所得结构作为输入数据，使用图 1 中解释的深度学习方法估计电导率。图 2 显示了直方图绘制的结果。深度学习方法创建的直方图很好地再现了实际断裂粘接实验中获得的直方图，这项结合第一性原理计算和深度学习的技术作为虚拟实验技术已经达到了很高的水平，可以在计算机上完全再现实验。此外，该技术不存在实际实验中出现的成分/结构与功能/性质之间的联系不明确、数据偏差或数据量小的问题，并且具有预测逆问题所需的高质量数据，因此具有超越单纯虚拟实验的优势。
在材料信息学领域，之前唯一成功通过连接计算模拟和人工智能技术来加速模拟的例子是主要由欧洲领先的材料信息学机构开发的预测构成材料和分子的原子的力场和能量的方法。这是第二个这样的结果，也是在预测电导率等物理特性方面的第一个结果。
*图中插入的图显示了使用第一性原理计算模拟结果的验证和验证。决定系数 (R2值）被写为数值。
左边是使用训练数据的测试结果，右边是使用验证数据的测试结果
图 2 通过经过训练的深度学习预测的断裂连接的直方图
基于这种开发方法，我们将通过计算机上的虚拟实验，系统、全面地生成与实际实验和材料原型相对应的大量数据，并利用这些大数据开发从导电性能（材料功能）预测材料成分和结构的逆问题预测方法。