美国西北大学陈卫教授-James Rondinelli教授团队："物理+数据"双引擎驱动的材料设计

近日，美国西北大学陈卫教授-James Rondinelli教授团队的AMR述评文章 “Emerging Microelectronic Materials by Design: Navigating Combinatorial Design Space with Scarce and Dispersed Data”在线发表，系统阐述了构建"物理+数据"双引擎驱动的新型材料设计框架的探索实践，以金属-绝缘体相变材料为例展示了该框架的实际应用，并探讨了数据驱动材料设计面临的主要挑战。

关键词：材料设计，组合优化，数据驱动，机器学习，金属–绝缘体转变

“In this Account, we review a team effort toward establishing a framework that integrates data-driven and physics-based methods to address these challenges and accelerate materials design.”

1 文章内容简介

面向可持续能源、电子工业和生物医疗等领域对功能材料的迫切需求，开发具有突破性性能的新一代材料已成为全球科学界的重要使命。在这一背景下，具有特殊物理特性的新型微电子材料因其在高能效器件中的潜在应用价值而备受关注。当传统的试错法难以满足快速发展需求时，融合计算建模与机器学习的前沿方法为材料理性设计开辟了新路径。但这一进程仍面临多重挑战：物理机制的高度复杂性、第一性原理计算的巨大成本、数据资源的碎片化与稀缺性，以及成分-结构组合空间的高维不连续性，都在制约着物理建模和数据驱动的研究进程。

本文系统阐述了研究团队构建"物理+数据"双引擎驱动的新型材料设计框架的探索实践。该框架包含三个核心模块：（1）通过文本挖掘与自然语言处理技术，对分散在文献中的知识进行智能提取与整合；（2）通过机器学习模型对未知材料空间进行虚拟筛选，实现有潜力材料体系的精准定位与候选范围的有效收敛；（3）在目标材料体系内，创新应用贝叶斯优化算法，开发可处理数值-类别混合变量、具备不确定度量化能力的自适应发现流程，突破传统方法在复杂数据场景下的局限。

我们以金属-绝缘体相变材料（MIT）这一在新型存储技术中具有重要应用价值的新兴材料体系为例，展示了该框架的实际应用。在lacunar尖晶石和Ruddlesden-Popper钙钛矿两大材料体系中成功发掘出多个新型候选材料，并规划了可行的合成路线。机器学习模型还揭示了离子性与原子尺寸等与MIT相关的特征描述符，为深入理解MIT行为机制提供了关键线索。

最后，本文探讨了数据驱动材料设计面临的主要挑战，包括材料数据质量问题、材料性质–器件效能的关联，以及验证与工程化应用等环节的不足。我们期望通过揭示这些常被忽视的关键问题，推动相关领域研究方法的创新发展，为突破现有技术瓶颈提供新思路。

2 AMR：请问您选择该领域的原因是？

作者团队：

材料是能源、微电子等领域进步的基石，然而传统的“试错”方法已难以满足对先进材料的需求。计算方法和人工智能技术为攻克材料科学中的诸多难题开辟了新路径，同时工程设计理念亦可赋能新材料的高效开发。为此，我们组建了高度跨学科的团队，整合理论计算、机器学习与设计优化方法，致力于开发一种通用的材料“按需设计“框架。

3 AMR：请和大家分享一下这个领域可能会出现的研究机会？

作者团队：

正如论文所提及的，智能设计方法可以更深入地整合到材料研发流程之中。一方面，当前的计算材料设计主要关注材料本身的性质；然而，要设计出具有实际应用价值的材料，还必须考虑到其在器件中的性能表现。另一方面，“设计”的空间不仅限于材料的成分与结构，亦可拓展至制造工艺。通过在材料合成及器件制造过程中应用实时反馈控制机制，可以实现“数字孪生”，进而促成从设计、验证到应用的完整闭环。

4 AMR：您对本领域的人才培养有何建议？

作者团队：

交叉学科研究需要具备多元专业背景的复合型人才。鉴于人工智能（AI）已成为强大的科研工具，加之“AI for Science/Engineering”研究范式的蓬勃发展，将AI的知识与技能深度融入材料科学、机械工程等传统工科的人才培养体系，可以使未来的科学家与工程师得以运用AI，创造性地解决本学科及交叉领域的关键科学与技术问题。

作者团队简介

本文由美国西北大学机械工程系陈卫教授、材料科学与工程系James Rondinelli教授、工业工程与管理科学系Daniel Apley教授和麻省理工学院材料系Elsa Olivetti教授团队合作完成。

主要作者：

张恒睿，美国西北大学机械工程系博士生、Ryan Fellow，2020年于上海交通大学获材料科学与工程、计算机科学学士学位。主要研究方向为开发人工智能与计算方法以加速能源、电子等功能材料设计。

James Rondinelli，美国西北大学材料科学与工程系Walter Dill Scott讲席教授，领导材料理论与设计实验室（Materials Theory and Design Group）。美国物理学会、美国科学促进会会士。主要研究方向为过渡金属化合物、分子及合金材料的电子结构理论与合理设计。

陈卫，美国西北大学Wilson-Cook工程设计讲席教授、机械工程系主任，领导集成设计自动化实验室（Integrated DESign Automation Lab, IDEAL）。美国工程院、美国艺术与科学院院士。主要从事数据驱动的工程设计研究，包括利用统计学、机器学习、不确定性度量方法设计微电子材料、结构材料、可编程材料等新材料系统。 

扫码阅读陈卫教授-James Rondinelli教授团队的精彩Account文章：

Emerging Microelectronic Materials by Design: Navigating Combinatorial Design Space with Scarce and Dispersed Data

Hengrui Zhang, Alexandru B. Georgescu, Suraj Yerramilli, Christopher Karpovich, Daniel W. Apley, Elsa A. Olivetti, James M. Rondinelli*, and Wei Chen*

原文链接：

https://pubs.acs.org/doi/10.1021/accountsmr.5c00011

投稿指南目前Accounts of Materials Research的投稿主要基于编辑团队的邀请。如您有意投稿，请先按照Author Guidelines的要求准备并投递proposal， 编辑团队会对您的proposal进行评审。如果proposal被接受，我们将向您发送投稿邀请。扫码阅读作者指南，下载proposal form：