机器学习让材料合成“开挂”  
 

结合决策树等算法，研究者可通过机器学习快速找出纳米材料合成的最佳条件，并据此实现对材料的量身定做，一些结构复杂的材料也可以精准地制备出来。（受访者供图）

化学家的研究直觉是怎么培养的？靠多年的实验积累。如今，研究者尝试培养机器学习算法的“直觉”，经过训练，算法可以比研究者学得更快。

5月18日，厦门大学的研究者在细胞出版社旗下的《物质》(Matter)杂志上发表文章，通过机器学习，他们找到了锆铪氧簇纳米金属有机框架（MOF）这一材料合成过程中的关键变量：调节剂浓度和配体溶解度。

据此经验，他们实现了二维薄膜、凹八面体或空心八面体等一系列不同形态MOF的精准制备。

“算法把这些变量的重要性呈现给我们，这跟化学家的经验和直觉也是吻合的。”论文通讯作者之一，厦门大学化学化工学院教授汪骋告诉《中国科学报》。

从“没定律”到“有地图”

在合成化学领域，研究者常常调侃：晶体生长的第一定律就是没有定律。这侧面说明了提升材料制备的精确度有多难。

以MOF的制备为例，目前研究提出的生长理论只能提供模糊的方向，研究者在实验中往往要不断试错。MOF的稳定性受金属氧化态、还原电位、离子半径等因素的影响，研究者在制备过程中需要调节温度、酸碱度、反应物浓度等多个参数。

“当多个变量同时变化时，化学家的直觉不一定会很准。”论文通讯作者之一、厦门大学数学学院副教授周达表示。

如果用机器学习方法指导材料设计，能在多大程度上提高材料制备效率？带着这一念头，汪骋和周达展开了合作。

研究团队首先用决策树算法分析不同合成条件下的物相和形貌，批量制备MOF，进而找出影响材料形貌的重要变量：水和甲酸浓度。再用随机森林算法确定形貌和试验条件的对应关系。

“我们发现水和甲酸这两个变量最关键后，就去集中调节它们，看会有怎样的结果。”汪骋说。在他看来，经过训练的机器学习算法能描绘出材料制备的地图，告诉研究者材料制备的方向，“对整个流程掌控有很大帮助”。

驯化算法，改布点方式

与传统实验中控制变量法设置的指标不同，为了训练算法，研究者需要让变量分布得相对均匀，即用更发散的布点方式。获得材料合成过程中的数据后，研究者可以根据实际需求选择算法、做参数训练。最终，从看似纷乱繁杂的数据图表中，获得晶体制备的宝贵经验，并绘制出相图。

在合成化学研究中引入机器学习的方法，实验布点须调整得更均匀、广泛（左图），根据材料合成步骤中的关键变量，可以总结并作出合成规律的相图（右图）。（受访者供图）

“这有些像教一个学生”，周达表示，材料制备中获得的实验数据，一部分用于参数训练，就像给学生阅读的教材，另一部分则用于检测，就像考试题。

对汪骋而言，能制备出的纳米材料越薄越好。为了更快地对纳米薄片进行测量、总结制备规律，他与周达等人又用上了图像识别中的Mask-RCNN算法。

为了降低测量成本，研究团队选择用扫描电镜的方法获得纳米薄片厚度信息，但由于薄片的状态不规则，就需要通过算法进行筛选。

扫描了超过1500张电镜图像后，他们终于确定了制备MOF的最佳条件。并据此设计出复杂的分步合成序列，获得更多复杂的MOF及其结构。

“这些不同形貌的纳米材料用于烯烃加氢的催化反应，展现了非常不同的活性。”汪骋表示。

但目前来看，这一系列操作的成本还有压缩空间。由于需要批量制备薄膜，人力物力成本较高，且数据量很大，还要考虑电镜等使用成本。“我们现在正在尝试从自然语言，即现有的文献中提取信息，扩大数据来源，降低成本。”汪骋说。

“与传统的盲目试错相比，此方法大大缩短了获得理想晶相的时间”，武汉大学化学与分子科学学院教授邓鹤翔这样点评道。

邓鹤翔对《中国科学报》表示，晶体合成的魅力在于寻找合适的化学反应条件，而灵光乍现得到理想产物是研究者“最为欣喜的尤里卡时刻”。如果用传统方法，这种寻找的过程往往很漫长。