在閱讀此文前，誠邀您請點點右上方的“關注”，既友善您進行讨論與分享，還能及時閱讀最新内容，感謝您的支援。
設計功能材料需要在多元空間中深入搜尋系統參數，以獲得所需的材料特性。對于傳統的參數掃描或試錯采樣不切實際的情況，将設計作為限制優化問題的逆方法提供了一種有吸引力的替代方法。
然而，即使是高效的算法也需要在優化過程中多次對材料屬性進行時間和資源密集型表征，進而形成設計瓶頸。結合機器學習的方法可以幫助解決這一限制，并加速發現具有目标屬性的材料。在本文中，我們回顧了如何利用機器學習來降低次元，以便有效地探索設計空間，加速性能評估，并生成具有最佳性能的非正常材料結構。我們還讨論了有希望的未來方向，包括将機器學習內建到設計算法的多個階段，以及解釋機器學習模型以了解設計參數如何與材料屬性相關。
功能性材料被戰略性地設計來展示技術上有用的特性。例子比比皆是，包括用于碳捕獲的離子液體，用于儲能和催化的納米材料，光子應用的有機材料，以及用于儲氫的多孔材料在大多數情況下，感興趣的性質源自其組成構件的實體和化學性質以及它們的空間組織(即結構)。摻雜劑和添加劑的特性以及影響結構的處理條件影響光伏器件材料的性能。微結構-性能關系已被廣泛用于其他材料類别的設計，包括金屬合金和自組裝嵌段共聚物材料設計的一個統一方面是它集中于系統地确定實驗上可調節的參數的設計空間中的點，這些參數對應于為特定應用而優化的結構和性能。
原則上，通過在設計空間使用參數掃描，可以發現具有所需特性的材料。對于每組候選設計參數，必須通過計算合成或模拟單個樣本，并測量或模拟其特性。用不同的參數選擇多次重複這些步驟，可以篩選出具有目标特性的材料。然而，對于大多數有工程意義的材料，有許多可能的參數要改變，覆寫相應的高維設計空間的掃描是不切實際的。這個挑戰已經通過将材料設計作為逆問題提出來部分地解決了，該逆問題将使用數值優化的方法來有效地導航設計空間通常使用的算法疊代地優化基于期望的材料特性公式化的目标函數。
在每次疊代中，測量設計空間中目前點的屬性，優化器選擇新的點進行研究，直到算法在指定的容差内收斂到最優解。然而，即使使用複雜的反演方法，收斂到滿足設計目标的解也可能是極其昂貴的。在這種背景下，機器學習(ML)開始為具有目标屬性的材料的計算設計提供強大的新功能。例如，ML可以用于訓練模型，該模型代替感興趣的屬性的直接計算評估，這顯著減少了優化例程的每次疊代所需的時間最近的幾篇綜述讨論了将ML整合到逆向架構中以增強材料設計的其他方式。
包括使用ML生成新的分子和材料，以及幫助優化器對設計空間進行優先搜尋其他評論集中于特定類别材料的ML輔助設計，包括光子納米結構，化學化合物，以及自組裝軟材料，以及如何将ML用于高通量實驗研究。
在這篇文章中，我們讨論了ML政策的最新進展，以設計具有目标特性的材料。具體來說，我們探索ML方法如何根據設計空間的表示而變化。強調使用高維設計空間的低維表示的屬性設計。這裡，ML主要用于減少設計空間的維數和預測材料屬性。隻關注高維設計空間中的設計，其中ML主要用于幫助優化器導航該空間，我們概述了ML輔助屬性設計的一些有希望的方向，包括将不同的ML政策組合到單個設計架構中，以及提高ML模型對設計的可解釋性。需要高維表示來完全表征複雜的材料，并且将包括例如建構塊的位置、方向和連接配接性。
幸運的是，這種程度的細節很少是必要的，并且材料屬性可以足夠精确地表示為更少參數的函數。這些參數形成了一個潛在空間，即通過組合或删除原始設計空間中的特征而獲得的設計參數的低維表示。如果潛在空間保留了計算材料屬性所必需的資訊，那麼它可以作為材料設計的高維對應物的低維代理。這是有利的，因為它(a)與高維表示相比簡化了設計空間和相應屬性之間的定量映射，并且(b)減少了優化器在導航潛在空間時必須修改的設計參數的數量。本節重點介紹了兩種利用低維潛在表征的ML政策被實施來增強材料特性設計的方法。
首先，我們讨論如何生成ML模型可以用來提出新的，非直覺的材料設計與最佳性能直接從潛在空間。其次，我們探索如何基于ML代理模型定量地将低維描述符與屬性聯系起來。基于ML的模型可以被建構以學習低維潛在空間，高維、詳細的設計可以被投影到該低維潛在空間上，以及從潛在空間中的任何點以原始表示重建設計。逆向方案可以利用這些生成能力來搜尋潛在空間，而不是高維空間，并潛在地從最佳潛在點建構表現出所需性質的新材料。這種生成模型主要應用于拓撲優化和分子設計展示了高維表示的兩個示例。
描述了一種多相材料，其特征在于其兩相的空間分布；高維表示由像素的數字化陣列組成，每個像素被配置設定兩個相位中的一個。顯示一種分子結構，其高維表示包含所有原子的位置或連接配接性，例如，在SMILES(簡化的分子輸入行輸入系統表示)中。生成模型将這些表示向下投射到僅幾個潛在參數，這些參數保留了關于拓撲的空間特征的足夠資訊或分子的化學和結構特征是以，具有相似結構主題的材料通常在潛在空間中彼此靠近，即使它們在高維表示中看起來不相似或彼此遠離。這個特征是有用的，因為我們可以在連續的潛在空間中執行簡單的操作，如從單個點的擾動或兩個點之間的插值，以提出新的高維表示，與以前研究的材料相比，這些新的高維表示可能具有相似或增強的性質。
潛在變量是通過訓練兩個獨立的元件:編碼器，其将材料的高維表示投影到潛在參數的低維向量，以及解碼器或生成器，其使用潛在向量作為輸入來重建原始高維表示中的材料。編碼器和解碼器網絡通過最小化重構損失用未标記的資料集來聯合訓練，重構損失測量資料集中的原始結構和相應的重構結構之間的差異。
因為潛在表示應該有助于現實材料的設計，是以如果潛在空間具有這樣的性質，即饋送到解碼器的随機向量産生實體上現實的和有意義的分子和結構，那麼這是有幫助的。為了確定潛在空間擁有上述屬性，在編碼器和解碼器的訓練期間，學習的潛在空間也被強制比對預定義的目标分布。總體情況教育訓練損失因為該模型不僅考慮了重建損失，還考慮了根據潛在空間分布和目标分布之間的差異定義的潛在損失。各種創成式架構對材料設計都很有用。使用可變自動編碼器(VAE)(43)架構中，潛在空間被強制比對高斯分布。
VAEs已經被用來産生用于機械超材料的性能設計的材料拓撲或分子化學，藥物發現，以及熱電材料由于引入了對設計參數的額外限制，潛在空間分布的固定高斯形式逐漸減慢了對最優解的搜尋，是以對于多限制問題，需要允許對潛在空間分布進行更多控制的政策。應對這一挑戰的一種方法是采用對抗性的自動編碼器[AAEs；VAEs和生成敵對網絡(GANs)的組合]，這是一種已經被成功證明用于複雜設計環境中的元結構的光學響應的多限制優化的方法。
在這些無監督的生成政策中，低維潛在空間的發現獨立于任何感興趣的物質屬性。如所示潛在空間用于生成高維表示中的結構，由此可以在實驗或模拟中直接表征材料屬性。雖然在低維潛在空間中導航減少了優化過程中的疊代次數，但是如果測量材料屬性是耗時的瓶頸，那麼收斂優化仍然是一個挑戰。這一挑戰已經通過使用監督方法來訓練生成式ML模型，以直接使用潛在空間中的點作為輸入來快速計算材料屬性而得到解決。舉個例子，顯示了前饋回歸器與編碼器和解碼器聯合訓練以學習最佳預測目标材料特性的潛在空間表示。
當優化程式在潛在空間中導航時，回歸變量可用于快速計算材料屬性。因為這種方法完全避免了在每次疊代時在模拟或實驗中測量材料屬性，是以它可以通過減少疊代次數和每次疊代的時間來顯著加速材料設計。通過與VAE一起訓練屬性預測器，由模型學習的潛在變量使得展示相似屬性的拓撲結構或分子設計将在潛在空間中緊密地分布在一起。結果，可以識别潛在空間中的主軸，材料屬性沿着該主軸變化，這可以極大地簡化對最佳材料全連接配接神經網絡作為與生成VAE模型相結合的性質預測器已經被成功地用于設計具有期望失真響應的超材料、藥物樣分子。
用于熱電材料的無機晶體，用于氣體分離應用的金屬有機架構結構，以及高導熱率合金然而，與無監督訓練一座VAE建築監督教育訓練與VAE網絡結合的結構-屬性回歸子元件需要生成帶标簽的結構資料集。ML對于快速預測材料特性特别有用。一旦訓練了ML模型，使用該模型評估材料屬性比在實驗中測量屬性或在模拟中計算屬性要快得多。這對于材料設計是有希望的，因為ML模型可以代替實驗和模拟來加速優化方案的每次疊代。為了訓練一個ML模型，我們需要一個大的資料集，将輸入與産生的材料特性聯系起來。但是，輸入的選擇極其重要。在許多情況下，使用參數空間的原始高維表示将需要不切實際的大訓練集來充分采樣，并且不充分的采樣導緻訓練模型具有不準确的預測更有效的方法是識别用作ML模型的輸入或ML架構中的中間層的低維特征。