近二十年來，機器學習方法的發(fā)展為我們的生活帶來許多便利。智能網絡搜索、語

音識別，乃至無人超市、無人駕駛汽車等，依托于機器學習方法的新事物正迅速地在生

活中普及。Alpha Go的橫空出世更讓世界驚嘆于人工智能的潛在價值。在科研領域，

大數據的理念正在改變著科研人員對未知世界的探索方式。美國在2011年提出了材料基

因組計劃（Materials Genome Initiative），以期加快材料的研發(fā)過程。我國懷柔科學

城的發(fā)展規(guī)劃中，“材料基因組研究平臺”項目已全面開工建設。高通量實驗+高性能

計算+深度數據分析的研究方式已經成為時代發(fā)展的趨勢。

     在非晶合金研究領域，如何設計并開發(fā)處具有良好玻璃形成能力的合金，是一個具

有重要產業(yè)價值的科學問題。過去非晶合金材料新體系的探索主要依據經驗性判據的指

導，由于其準確性與通用性的限制，非晶新材料的研發(fā)速度非常緩慢。 如何提高材料

設計的效率，尋找具有更優(yōu)性能的材料，是非晶材料領域非常具有挑戰(zhàn)性的問題。

     最近，中國科學院物理研究所/北京凝聚態(tài)物理國家實驗室（籌）汪衛(wèi)華研究組

（EX4組）博士研究生孫奕韜在汪衛(wèi)華研究員、白海洋研究員及人民大學物理系李茂

教授的指導下，使用機器學習的方法，對二元合金的玻璃形成能力進行了系統(tǒng)分析，

建立了合金成分與性能之間的關聯，并對可能的新材料進行了預測。研究過程中使用

了支持向量機（Support Vector Machine）這種方法（圖1），通過構建多維空間，

并在這個多維空間內對數據進行分割，從而建立輸入參量與輸出參量之間的關聯。該

研究方法可通過不斷選擇新的參數對模型進行重復訓練，探討了合金的不同性質對其

玻璃形成能力的影響（圖2）。

      研究發(fā)現，參量?T_liq（表征合金過冷能力的參量）與合金的玻璃形成能力有最為

顯著的關聯，而且使用參量?T_liq與T_fic（表征合金熱穩(wěn)定性）作為輸入參數，可以得到

具有最佳預測效率的模型。通過對最佳模型的分析，發(fā)現已知的具有良好玻璃形成能

力的二元合金，其分布與模型的預測值具有很好的一致性（圖3）。使用這個模型，可

以對未知的合金成分進行預測，這樣由深度數據分析指導設計的實驗，可以極大地縮

短非晶合金材料的研發(fā)周期（圖4）。該工作作為使用新的工具對經典問題進行分析的

一種嘗試，得到了初步成果。這表明，機器學習的方法在非晶材料設計與研發(fā)領域具

有重要的應用前景。采用更全面、完善的數據庫，運用更深入的人工智能算法，機器

學習方法能夠為非晶等領域科研人員提供更精準的信息，進一步加速材料的研發(fā)過程。

      這項研究結果最近發(fā)表在J. Phys. Chem. Lett.（IF=9.35） 8， 3434（2017）上。

該項研究工作得到國家自然科學基金項目（51571209，51461165101）、科技部973

項目（2015CB856800）和中科院前沿科學關鍵研究項目（QYZDY-SSW-JSC017）的

支持。  

圖1. 支持向量機方法的基本過程，包括四個主要部分：數據庫的建立，模型的訓練，模型的評估，以及最

優(yōu)模型的預測

圖2. 不同的輸入參數得到的模型的預測結果

圖3. 最優(yōu)模型的預測結果。已發(fā)現的優(yōu)秀材料與模型預測（紅色區(qū)域）有很好的一致性

圖4. 最優(yōu)模型預測得到最佳玻璃形成能力的合金體系的成分云圖