如果有適當的知識，所有不被自然法則禁止的事物，都是可以實現的。
－戴維·多伊奇
諸如振金(Vibranium)，難得素（unobtainium）和氪石（kryptonite）之類在科幻小說中描述的神奇材料，不僅俘獲了公眾的眼球，也激發了整個世界的想象力。
人類歷史的一個基本事實是：材料能推動技術革命。
如果沒有硬鋁，就不會有商用飛機；如果沒有鋼鐵，就不會有摩天大樓；如果沒有塑料，就不會有廉價的內部水暖管道，不一而足。
但是，新材料的開發卻異常緩慢。今天能夠使用的材料數量，可能僅是各種材料元素無窮多組合中屈指可數的幾種。時至今日，我們在新型高強輕質合金和室溫超導體的研究方面，依然在蹣跚前行。
據說，托馬斯·阿爾文·愛迪生為他新發現的電燈泡燈絲，測試了超過2000種材料作。他甚至對自己的頭發進行了測試，直到在偶然之中，找到了后來被鎢取代的碳。一個多世紀以來，材料科學家們依然在沿用這種“愛迪生式”的研究方法：新材料的研究，總是圍繞著可預測的成分展開，而新成果卻寥寥無幾，令人唏噓。
如今，蓬勃發展的人工智能（(AI），或有望在材料科學領域完成一項重大革新。
首先，AI是什么？
根據ISO/IEC JMotor 1/SC 42的定義，人工智能（AI）是通過嵌入動態數據驅動環境的算法，是對人類智能活動過程的模擬。
AI的好處是能夠迅速完成非常精密的工作任務，節約大量時間與成本。AI采用機器學習來分析實時數據，數據處理的速度和量級遠超人類。
AI的類型基本可分為兩類，一類是指狹義人工智能，可完成具體工作，比如我們現在使用的電腦。另一類被稱為廣義人工智能，旨在形成認知能力，但專家們認為，這種類型的AI，似乎在我們有生之年難以實現。
那么，對于材料科學來說，我們需要怎樣的AI？
有學者認為，材料科學的AI，應能夠發現已有材料文獻中被疏忽的線索。雖然我們已經可以使用自然語言處理（NLP）從文本中提取材料數據，但我們還需要建立起更強大的神經網絡系統，抽取每年發布的數以百萬計的圖像，如疇、晶粒、圖表、光譜，分析和理解這些圖像，并預測下一種新材料。
也有學者認為，材料科學AI應可從世界各地正在新建的數據庫中獲取幫助。目前，我們已可通過“高通量”實驗，對多維“相空間”進行梳理，收集隱藏在“顯相”背后的“隱相”和“真相”。
還有學者認為，材料科學的AI并不是指某些具體的數據，而是一種正確的技術、算法或模型。下一代材料學家的培養，應注重大數據思維方式。
一切皆有可能。
遠古時代的現代匕首
1922年，英國考古學家霍華德·卡特（Howard Carter）打開了埃及法老圖坦卡蒙的墳墓，這是現代最著名的考古發掘之一。卡特對5398件墓中物品進行了分類，其中包括著名的黃金面具、黃金棺槨、以及用黃金打造的王座、酒具和便鞋等寶藏。但是，在所有這些令人炫目的寶藏中，他還發現了一件用亞麻布包裹的鐵制匕首，它被裹在法老木乃伊的大腿上。令人驚奇的是，這把已有三千多年歷史的鐵匕首，居然沒有生銹的跡象，隨后的化學分析證實，它的性能更像現代的低碳鋼。
那么，為什么古埃及人對鐵匕首如此尊崇呢？
古埃及的鐵，對今人來說，完全是個謎。現代的考古表明，古埃及時代的鐵礦很少，古埃及人生產鐵和保存鐵的技術也不為今人所知。三千多年后，鋼鐵已無處不在。它堅固、廉價、且廣為人知。我們知道，加入少量的碳可以使鐵更堅固。我們還知道，就是因為小小的碳原子鎖住了鐵內部的位錯，使其在應力下不會輕易移動。我們也知道，鉻的添加，可以在鐵的表面形成一層薄薄的表面保護層，來防止鐵生銹。今天，我們已經可以精準控制這些已知的因素。
毋庸置疑，鋼鐵是現代科學給人類帶來的禮物，并以汽車，餐具，橋梁和摩天大樓的形式饋贈給人類。
（圖坦卡蒙的帶有水晶手柄的鐵匕首）
鋼鐵是發展得最好的工程材料之一，大多數材料工程師在金屬學課程中學習的第一張相圖，就是鐵碳平衡相圖，如此優美的相圖曲線，給人一種自信和自豪的感覺。然而，能達到現今鋼鐵工業這個水平，絕對也是一個傳奇。
無法想象，當初古人為何會把一塊黑色的木炭，投入帶灼熱的鐵水中，并期待獲得神奇的金屬？他們當初所做的一切，遠在我們了解其背后的科學知識之前。這里有太多的偶然性，就像往鐵中加入一點點碳，一點點鉻，一點點鎳，一點點錳，來“化腐朽為神奇”一樣。無怪乎有人戲言，煉鋼更像是一種“烹飪”行為，與其說是科學，不如說更像藝術。
事實上，不僅僅是鋼鐵；所有新材料的發現都是一個痛苦而緩慢的過程。
元素的奧吉亞斯馬廄（The Augean Stables）
假設我們系統地研究每一個元素和其他元素可能的組合，不管是二元的，或三元的，等等，我們終將會有所發現，其中可能就包括新型陶瓷、室溫超導體、強輕質合金、未被發現的形狀記憶金屬、新型拓撲絕緣體，當然還有一些無中生有的東西。但是，如果從120種元素著手，我們將工作量將是一個天文數字，將達到令人難以置信的10100種材料！
即使我們只限定10種元素，以減少“相”空間（Phase space），我們仍然需要制造和測試大約400萬種材料，而每種材料都要在一定的溫度和壓力范圍內進行測試。
因此，新材料的稀缺也就不足為奇了。也許正因為如此，在人類的歷史中，盡管材料的價值一直在變動，但我們仍癡心不改。人類因此也走過了石器時代、青銅器時代、鐵器時代，現在已經邁進了紙、塑料、硅時代。材料給了我們所珍視的一切。鐵使農業成為可能，紙開啟了文藝復興，帶領歐洲走出黑暗時代，塑料使食品運輸變得容易，輕質硬鋁合金使飛機上天成為可能。
在熱門的科幻電影中，我們會談論仙宮戰士（Asgardian）用阿斯加德金屬烏魯（Uru）制成的雷神（Thor）錘子，以及可用來削弱超人能力的水晶氪星石（crystal kryptonite）。在詹姆斯·卡梅隆（James Cameron）的電影阿凡達（Avatar）中，來自地球的工作人員洗劫了潘多拉（Pandora）星球，目的是尋找難得素（unobtainium），一種室溫超導體。在電影《黑豹》中，瓦坎丹部落使用的是振金（vibranium），一種強大，靈活，反射動能的材料。
材料充滿了神奇，而“工具”更是傳奇。
幸運的是，今天的材料科學正在經歷一場無聲的革命。材料科學中人工智能的曙光已經開始顯現。
材料科學的AI時代正在悄悄來臨。
在給計算機配備了數據驅動計算、圖形處理單元（GPU）驅動計算和強大的算法后，我們開始教計算機如何尋找和發現新材料，而無需實際制造它們。例如，給定一系列元素，提供相應的原子大小，原子量，電離能，鍵合強度等數據，機器就可以進行“思考”實驗。
在AI算法中，我們把一定量的每種元素添加到鐵中，計算電子結構的變化、在應力下的行為以及與氧的反應性，并給每種元素評分。在下一個迭代中，它會改變每個元素的數量，例如從0%到10%不等的百分含量，并記錄下材料屬性的變化。在另一個迭代中，每一個組合物都需要在3個大氣壓下，從0?K加熱到3500?K，并計算材料的性能。
當然，這里有一個龐大的工作量，但只要是計算機做的，誰會在乎呢?
在此計算結束之際，我們甚至可以料想到計算的結果，和鉻和鎳一樣，碳元素會是評級最高之一。然而，真正令人興奮的，是我們還沒有嘗試過的其他發現。向鐵中添加某種物質會使鋼變綠？變緣熱？變柔性？撇開鋼不談，這種方法能預測室溫超導體？新型壓電材料？可生物降解的超強非烴聚合物？其想象空間之大，遠遠超過了人類的認知。
這將是材料科學領域人工智能革命的未來和希望，會有成千上萬種神奇的材料，每一種材料都意味著一場革命。這絕不全是夸張，正如我們所看到的那樣，材料往往意味著基礎或技術革命。解決材料問題的最新方法，就是開發強大的人工智能，來為我們完成這項任務：設計新材料、改進現有材料，改進工藝和性能。
與其他人工智能的嘗試（如自然語言處理或圖像識別）不同，我們已擁有數百年的實驗直覺，以及被稱為科學的知識體系來幫助我們。那么，如今的材料科學家將如何面對這一挑戰？人工智能要解決的首要問題又是什么？
其實，在材料科學中，一直存在著某種形式的機器學習。例如FactSage之類的熱化學軟件包，它可以準確地預測所選化學成分的相圖。科學家們已可利用現有訓練數據來擬合的模型，預測諸如折射率，介電常數，屈服強度等材料特性。例如折射率，只需知道材料的化學成分即可進行預測，而且預測結果的精度可超過90%。
但是，以往的這些成果都是局部的，迄今為止，尚未“描繪”出我們一直苦苦追尋的全局性圖譜。
材料科學家也試圖通過計算建模來預測材料性能。根據輸入到程序中的大量數據，該模型能夠準確地預測在選定的長度和時間尺度上的材料性能。這些技術包括模擬原子和分子的分子動力學，以及模擬大象越過橋梁時橋梁運動的有限元軟件。
以上這些模型都是基于復雜的物理驅動算法運行的，這些算法通常以數值方式求解一些微分方程而告終。機器學習和AI驅動的材料開發則建立在這些建模嘗試的基礎上，或者通過訓練機器，從現有數據中學習材料的行為來超越它們。機器可能知道一些物理原理，但是沒有建立起“如果是，那就是”這種邏輯關系。而AI則通過觀察“在相似情況下的一系列相似項目的行為”來學習事物。但是，材料AI的真正力量，是機器利用其自身的物理和化學知識，觀察不同環境下的某物的不同行為，來學習某物。
材料的基因？
在早期的工作中，杜克大學的一個團隊為晶體創建了“指紋”，即為一種材料選定唯一的物理和化學性質的視覺表示，并以此來預測新的超導體。目前，該算法在測試數據上運行良好，某些預測的成分已被證明確具超導性。
此外，材料科學家們一直有一個“固執”的想法，那就是為任何給定材料創建一個唯一的表示形式（基因）。美國政府于2011年發起成立了材料基因組計劃，旨在鼓勵學術界和工業界采用AI來驅動材料的開發。但是，迄今為止，科學家們尚未找到合適的基因，考慮到材料的復雜程度，也不確定將來能否找到該基因。
例如，鈦酸鉛鋯（PZT）是一種非常常見的壓電陶瓷材料，能將電能轉換為機械能，反之亦然。
然而，以正確的比例混合鉛、鋯和鈦，并不總是能獲得具有相同特性的同一種材料。PZT的性能受晶粒尺寸、晶粒形狀、材料中的雜質、材料的微觀空隙、疇形狀和疇尺寸、對材料基板的夾持作用、材料本身的尺寸、燒結氣氛和熱電歷史等諸多因素的影響。
那么，如何找到一種表達方式來表達所有這些參數呢？而且，即使能找到這樣一個表示方式，我們又將如何確定該包含多少數據呢？這確實是個令人頭疼的問題。
（根據能帶結構和狀態密度構造的材料指紋）
數據庫之戰
當前，以上問題尚無解。特別是，對某個指定屬性進行預測所需的最少數據量，也沒有達成共識。此外，大多數大型機器可讀的屬性數據庫，在該領域中也尚不存在。人類通過數十年的實驗和理論收集的數據，依然被塵封在文本和期刊文章中。因此，人工智能的第一步很可能是由數據平臺行動計劃驅動的。
其中，最著名的兩個例子是Materials Project和AFLOW Library。兩者均為通過密度泛函理論（DFT）計算的材料計算數據庫。Materials Project的數據庫中有超過100萬種材料，這些材料具有帶狀結構、壓電、彈性等特性。目前，該數據庫仍在快速增長，已經有超過5萬名用戶，其中大部分用戶來自計算材料界。
由于上述原因，作為必要的第一步，材料的計算（理論計算）數據與最終通過經驗測量的材料性能并不完全相同。因此，除了理論數據庫之外，我們還需要一個經驗數據庫，其中包含一個材料及其實驗性質的列表。目前，這領域還沒有一個全面的數據庫。
另外的一些舉措來自使用ChemData Extractor等工具對科學文本進行自然語言處理，該工具可以從文本中識別化學式和屬性關系。這已被用來從文本集合中自動提取所選無機物的磁性。其他方法，特別是與材料合成相關的方法，主要依賴文本挖掘和合成數據生成，例如使用變分自動編碼器。
盡管如此，語義屬性－處理－性能關系的提取，目前仍處于起步階段，而且這可能是材料科學AI發展中的最大瓶頸。
材料的深度學習
當深度學習應用于圖像時，可自動完成一些勞動密集型任務，例如，識別電子顯微鏡圖像中的缺陷，讀取X射線衍射光譜并對“相”進行標記。美國橡樹嶺國家實驗室的一個小組演示了如何訓練卷積神經網絡（CNN）來識別透射電子顯微鏡圖像中的空穴缺陷。其他研究小組已經則展示了CNN如何在圖像中捕捉細微的特征，如晶粒的大小、分布和晶粒取向，并根據材料的顯微結構對其進行精確分類。
在另一個層面上，深度學習正在簡化通常需要用到超級計算機才能完成的密度泛函理論（DFT）計算。加州大學爾灣分校完成的工作中，已應用深度學習來近似密度泛函理論，來計算材料中的電子分布。這種簡化的DFT計算通常是最好的材料建模方法，已廣泛應用于物理和化學的許多分支。
（無機三元金屬氮化物圖，用最低形成能的三元氮化物的熱力學穩定性著色）
在另一個路徑上，我們開始看到自動化高通量實驗進入材料科學領域。這些都是自動化的系統，一次可執行數千個實驗，然后進行表征和測量。這使得人們可以快速有效地掃描相空間。
例如，美國國家可再生能源實驗室的高通量實驗數據庫，包含了超過1307個樣品庫和60000多個通過共濺射金屬制備的薄膜樣品。該數據庫包含了這些材料的顯微結構、電學和光學信息，可供公眾查閱。
在這個方向上的其他工作，包括開發一種自主研究系統（ARES），以可控制的速率來生長碳納米管，而其他研究小組已將這種方法應用于有機物的合成以及鎳鈦形狀記憶合金的開發。這些方法的效率遠勝過人工方法，而且勢必將改變“未來材料科學家”的讀博進程——因為大多數的博士研究生可能會被機器人取代！
最終，隨著機器和算法或將全面接管實驗室和人類“思考”過程，人類也需要重新認識材料科學。材料是什么？我們對材料究竟了解多少？神經網絡是否有可識別出更高維度的材料特性－一種我們腦海從未現象過百維怪獸？
或許，一種新的材料科學本體將由機器人和人類共同構建。
應許之地
有時候，我們對于渴望的東西，總是表現得相當迫切。如果近期之內，我們達不到目標，就會心慌，憂慮，甚至無所適從。
其實，一切都不用急。這世間所有的一切，都有因果。該來的東西，自然會來；該走的，也會離開。即使你再著急，仍然于事無補。不如耐心等待，只要時機到了，所有該來的都會來的。
正如巴魯赫·斯賓諾莎所言：“凡受理性指導的人，亦即以理性作指針而尋求自己的利益的人，他們所追求的東西，也即是他們為別人而追求的東西。”
參考資料
https://matmatch.com/blog/the-age-of-artificial-intelligence-in-materials-science-part-one/
https://matmatch.com/blog/the-age-of-artificial-intelligence-in-materials-science-part-two/
https://www.iso.org/isofocus_137.html
(本平臺"常州精密鋼管博客網"的部分圖文來自網絡轉載，轉載目的在于傳遞更多技術信息。我們尊重原創，版權歸原作者所有，若未能找到作者和出處望請諒解，敬請聯系主編微信號：steel_tube，進行刪除或付稿費，多謝!)