“机器学习 + 量子力学” 助力探索新材料

能量矩阵，高能势（红）或低能势（蓝）

这些特点使钾冰晶石很可能被用于制作闪烁物质（其中的某些方面已经可以证明）以及其他情况。其化学的复杂性意味着，从数学上讲，要使用量子力学预测由四元素构成的钾冰晶石结构在理论上的所有可行组合几乎是不可能的。

依靠现代人工智能技术，伯尔尼大学化学系 Anatole von Lilienfeld 教授组的博士生 Felix Faber 现在已经成功地解决了这种材料的设计问题。首先，他利用量子力学生成了数千种随机化学成分构成的冰晶石晶体的预测。然后，他利用结果来训练统计机器学习模型（ML 模型）。改进的算法策略实现了与标准量子力学方法相当的预测精度。

ML 模型的优点是可以将相应的量子力学计算速度提高几个数量级。理论上可以从周期表的主族元素获得的冰晶石晶体可达 200万种，该模型一天之内就能够测完所有化学稳定性中的一个指标——层级能量。相比之下，用量子力学的方法计算，需要使用超级计算机超过 2000 万小时。

通过模型计算得到的特性分析为这类材料提供了新的见解。研究人员能够预测检测基本的能级，并确定 90种根据量子力学预测是热力学稳定的未知晶体。

在这些特征的基础上，钾冰晶石已进入材料工程素材数据库，这在材料基因组计划中起着关键的作用。该倡议是美国政府在 2011 发起的，目的是通过计算协助，加快新材料的发现和合成实验。

一些新发现的冰晶石晶体有着独特的电子特性和不寻常的成分。“人工智能，结合大数据、量子力学和超级计算，为我们深化认识和发现新的材料开辟了新的途径，我们不会考虑如果我们仅仅依赖于人的直觉，”该研究的负责人 Von Lilienfeld 这样说道。