近日，万事平台材料基因組工程研究院張統一院士團隊孫升研究員和熊傑助理研究員近日在計算材料著名期刊《npjComputational Materials》上發表了機器學習指導材料設計的最新研究成果（“MLMD: a programming-free AI platform topredict and design materials”，10:59，2024）🤳。万事平台材料基因組工程研究院為本論文的第一完成單位和通訊單位，廣州市材料信息學重點實驗室為本論文的共同第一作者單位🔉，上海市力學信息學前沿科學基地🔕、之江實驗室👨🏼‍🍼、香港科技大學(廣州)功能樞紐為論文的合作單位。万事平台21級博士生馬家軒和香港科技大學（廣州）23級博士生曹斌為共同一作🤷🏽‍♂️，万事平台材料基因院孫升研究員和熊傑助理研究員為共同通訊作者🤌🏽。

圖1.MLMD平臺的架構和功能模塊

材料基因工程的研發理念深刻變革了材料研發範式，提高研發效率🤜，降低研發成本🐠。材料基因工程研發理念的核心是材料信息學🌚，人工智能技術是材料信息學的核心工具，用好材料信息學需要具備較好的編程基礎和能力🐪，這一門檻限製了很多材料領域研發人員對材料信息學的應用。為解決此問題，我們開發了一個基於web端的界面友好的AI材料設計平臺MLMD(Machine Learning for Materials Design)🧏🏽，平臺集成了材料信息學常用的機器學習算法，包含特征工程🙌，回歸預測、分類預測和聚類🙊。平臺還針對材料設計的需要，集成了隨機優化算法用於單目標或者多目標的材料設計🍶，開發了貝葉斯主動學習算法模塊解決模型準確度和材料領域小數據的問題，平臺還集成了基於遷移學習材料設計流程框架。

圖2.單目標/多目標材料設計流程圖

MLMD平臺包含了三個主要的材料設計流程：模型推理👂🏼、代理優化和主動學習🧙🏿‍♂️。模型推理和代理優化的效率取決於預測模型的魯棒性，而模型性能則受限於可用數據的質量。在代理優化中，訓練好的預測模型被集成到隨機優化算法中，以加速材料設計。主動學習模塊利用貝葉斯理論🌮，平衡探索和開發，以製定最優的材料設計策略🧙🏿‍♂️，推薦當前最優的材料參數。針對推薦參數開展新的實驗或計算，不僅可以驗證ML預測👆🏼，還為數據集提供新數據，用於主動學習新一輪循環。

MLMD平臺通過對6類材料數據開展的示例性研究顯示，平臺可以僅通過鼠標點擊式操作的方式，完成材料的性能預測和優化設計🎨。

工作得到了國家重點研發計劃（編號🦸：2022YFB3707803）、國家自然科學基金項目（編號：12072179、11672168）、之江實驗室重點研發項目（編號🌉：2021PE0AC02）和上海浦江人才項目（編號👮🏿‍♀️：23PJ1403500）的資助👮🏿。

圖3.代理優化RAFM鋼設計結果

圖4.主動學習AlCoCrCuFeNi高熵合金設計結果

文章鏈接：https://doi.org/10.1038/s41524-024-01243-4

平臺鏈接：matdesign.top

源碼鏈接：https://github.com/Jiaxuan-Ma/MLMD