以“大数据+AI”为标志的数据驱动，已成为材料科学发展的第四范式-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

材料创新一直是各种颠覆姓技术革命的核心，因此材料常常成为时代的象征。

传统的材料研发模式往往依赖于实验和”试错”方法。研发过程通常持续10-20年。所需工作量巨大，在很大程度上，它无法满足21世纪工业发展对新材料的需求。随着材料模拟领域信息技术的发展，高通量计算系统可以在短时间内获得大量数据，并利用人工智能筛选和设计新材料，从而大大提高材料研发速度，降低材料研发成本。

图1：材料科学阶段示意图

材料的发展可分为四个阶段。第一阶段是实验驱动：基于实验和”试错”。第二阶段是理论驱动：随着各个领域研究的深入，材料科学的理论研究趋于成熟。特别是分子动力学和热力学模型的应用为材料研究提供了很多帮助，提高了新材料研究的效率。第三阶段是计算驱动：计算机的应用使材料科学的研究进入了计算模拟阶段。基于理论计算和模拟，预测有前途的候选材料，缩小实验范围，最后通过实验进行验证，从而大大提高材料科学的研究效率。

数据驱动被认为是材料科学的”第四范式”

基于信息技术和数据科学，材料信息学通过大数据和机器学习提取数据之间的隐藏变量，并建立模型来指导材料科学的发现。中国科学院院士.清华大学前校长顾认为，人工智能的发展缩短了材料研发周期，减少了投资，加快了整个领域的进程。因此，材料科学和人工智能的协同发展无疑将在材料科学中发挥关键作用，这有望促进新材料的发现。

人工智能技术已广泛应用于生物.医学.工业等领域

人工智能快速发展的动力在于计算能力的进步。计算能力的进步使产生和处理海量数据成为可能，从而使人工智能渗透到各行各业。

2020年12月，《自然》杂志报道说，波兰科学院的Bartosz Grzybowski和其他研究人员宣布，化学软件”Chematica”已得到改进，可以为复杂的天然产品设计一条完整的合成路线。这个程序设计的路线与人类设计的路线几乎相同，并且已经通过了化学版的”图灵测试”。

2021 7月，DeepMind宣布AplhaFold2成功预测了98.5%的人类蛋白质结构。在数据集中预测的所有氨基酸残基中，58%达到可信水平，其中35.7%达到高置信水平。在此之前，科学家花费了几十年的努力，只覆盖了人类蛋白质序列中17%的氨基酸残基。

机器学习已被证明在加速材料开发方面是有效的

机器学习方法在材料设计和材料筛选方面显示出巨大的潜力，有望极大地促进新材料的发现。2020年，NPJ计算材料杂志发表了美国桑迪亚国家实验室的研究成果，记录了他们开发的机器学习算法。该算法可以执行比正常速度快近40000倍的材料模拟计算。

2016年5月，《自然》杂志发表了一篇文章，通过机器学习和预测新材料，从过去被视为”失败”的数据中”学习”规则。与经验丰富的化学家的人工判断相比，机器预测结果的成功率为89%：78%。这个案例充分展示了机器学习方法的威力，就像Alpha Go对Go的影响一样。

机器学习不仅可以预测木材的姓质，而且可以挖掘边界条件等信息，这有助于促进对相关机制的理解。Gerbrand Ceder教授的a组