目录
摘要
尽管机器学习在探索功能材料这一领域上受到了重视,但是由于材料性能数据稀缺,一直未能发展可靠的模型。本文提出了一种无监督的材料探索方法,此方法不需要带标签的数据因而减轻了材料数据缺失带来的影响。无监督探索材料的方法以固态锂离子导体为研究对象,使用了有限数量的导电性数据,从大量含Li的材料中选出了一批候选者做进一步的更细致的研究。使用上述的方法,选出了16种新快导Li导体,通过从头算分子动力学模拟,这些材料的导电性在之间。这些材料的结构和化学成分与已知的锂离子导体具有显著差异,表明无监督学习仅使用很少的数据就能够探索广阔的材料空间。
背景
十九世纪三十年代,法拉第在研究固体导电性的时候发现,当氟化铅和硫化银被加热到红热时,这两种物质会从绝缘体突变成很好的导体。这可能只是法拉第伟大生涯中的一个不起眼的发现,但却从此揭开了离子导体研究的序幕。
现在人们知道,和传统导体导电依靠电子的自由迁移不同,这两种物质的导电性是由氟离子和银离子的快速移动而实现的。经过近两个世纪的研究,越来越多的离子导体被发现。它们包含了基于锂、钠、钾、银、铜、质子等的各种阳离子导体,和基于氟,氯,氧等的阴离子导体。这些丰富的离子导体也带来了包括锂离子电池、钠离子电池、固态燃料电池、固态气体感应器等等一系列非常优越的应用前景。在最理想的情况下,如果一个锂离子导体能够替代锂离子电池中的有机易燃电解液,就有可能给解决锂离子电池的安全性问题甚至提高能量密度提供一个可能的方案。这也让对固态锂离子导体的研究成为了一个当前的重要热点。 近两个世纪的研究揭示出了很多固态离子导体需要具有的特征,比如高浓度可自由移动的离子和低的扩散势垒等等。但目前尚没有一个能有效利用这些原理来筛选材料的方法。这让新离子导体的开发目前很多时候还停留在以经验为基础的实验试错上,包括近十来年新发现超锂离子导体,如Li10GeP2S12 (LGPS)和石榴石结构的Li7La3Zr2O12 (LLZO)等。在这样的情况下,如何利用人类已知的材料知识来快速地发现及筛选筛选新的高性能材料成为材料科学的一个重要问题和材料基因组工程的动机。
当前材料研究的热点方向之一是引入机器学习的方法,通过学习文献中积累下来的材料数据,建立定量的机器