以机器学习取代反复试验，成功解码新电子材料基因组

美国康涅狄格大学(University of Connecticut)的研究人员采用以机器学习取代反复试验(trial-and-error)的研究途径，成功开发出新的有机电子材料，目前该研究的成果已经开始应用在公共领域，并积极体现美国总统奥巴马亲自宣示“材料基因组启动计划”(Materials Genome Initiative；MGI)的精神。

事实上，电子材料中并没有基因组(特定生物体的完整基因组)，这只是一种比喻：MGI致力于预测使用量子力学的材料特性，并在计算机上进行仿真。透过这种方法，康涅狄格大学采用机器学习算法发现了有机电子(聚合物)的特性，成功掌握了控制聚合物介电常数击穿的特殊原则，因而能由其原子结构中准确地预测其能隙与介电常数。

“我们使用以相似性为基础的学习算法——有点像是回归(regressionn)分析，比较了类似的情况， 并精确估计出一种新材料的电特性，” 康涅狄格大学材料科学家Ramamurthy Ramprasad表示，“最后，我们还由其组成中成功预测到这种新式有机聚合物的电子特性。”

机器学习揭开有机电子基因组新材料应用的奥秘
Source：Kim, Ramprasad Lab/UConnUniversity of Connecticut

该学习算法——建置于其在线工具Khazana(发掘深藏的宝藏)，目前已经提交至公共领域，让每一位工程师都能免费使用。

工作原理

Ramprasad花费许多时间在计算机上执行聚合物的量子级模拟，以确定其能隙与介电常数的理论值，并选择电子聚合物最常用的建构模块，搭配使用自有的机器学习算法，共同组合成为283种具代表性的候选方案。

聚合物是由一连串重复的建构模块所组成的，有点像是一个人的基因组。藉由使其不断精简成为最常见的有机聚合物序列，Ramprasad已能仅用CH2、C6H4、CO、O、NH、CS与C4H2S等7种建构模块涵盖大部份的聚合物世界。

透过机器学习得以了解不同原子建构模块的特性，并准确预测聚合物的能隙和介电常数
Source：Kim, Ramprasad Lab/UConnUniversity of Connecticut

首先，他们利用耗时的量子力学计算法，分析使用这些建构模块的283种聚合物，然后再用机器学习量化这些聚合物的原子级配置，将其分类为特性相似的群组。然后再建构免费的在线计划——采用Khazana由其配方预测聚合物的电子特性，或从理想的电子特性预测聚合物配方。

“最后，我们成功地预测了聚合物的电子特性，或具有理想电子特性组合的聚合物，”Ramprasad解释。

在此处的“聚脲”(Polyurea)中，N是指氮、H是氢、O是氧，而R则表示任意数量的化学物质，彼此间的聚合物结构可能略有变化，但都具有不断重复的NH-O-NH-O基本结构。大部份的聚合物主要是由碳(C)、氢、氮与氧以及些许其他元素共同组成
Source：Yikrazuul, public domain

Ramprasad以聚合物的配方将其分成三大群组，首先是单一组件，其次是配对组件，最后则是每一配方中包含的三项组件组合。他并为在太阳能电池、雷射与LED中常见的钙钛矿能隙执行类似的预测引擎。

接下来，Ramprasad打算将纯有机聚合物扩展到有机金属(具无机模块的聚合物)等更广泛的材料范围，以及添加其他的电子材料特性——击穿电压(在绝缘体开始穿隧)，目标在于实现美国总统奥巴马解码材料基因组的梦想。