秋去冬來，北風(fēng)凜冽，科研人宅在實驗室搗鼓實驗；

寒來暑往，四季更替，計算人貓在電腦前撥弄數(shù)據(jù)！

1. Nature Communications：具有塑性變形能力的二維范德華晶體的高通量篩選

無機半導(dǎo)體，具有各種各樣的物理性質(zhì)，但它們普遍具有脆性，阻礙了它們在柔性異型電子器件中的應(yīng)用。在InSe晶體中發(fā)現(xiàn)的優(yōu)異塑性，表明存在豐富的塑性變形二維范德華(2D vdW)材料，但傳統(tǒng)的試錯方法過于耗時和昂貴。在此，為了解決這一挑戰(zhàn)，來自上海交通大學(xué)的Tian-Ran Wei & Xun Shi等研究者使用一種幾乎自動化和高效的高通量篩選方法，報告了幾十個潛在的具有塑性和變形性的二維硫系晶體。7種候選材料，如著名的MoS2、GaSe和SnSe2?2D材料經(jīng)過仔細驗證，顯示出很大程度上的各向異性塑性變形，這是由層間和跨層滑移造成的，涉及化學(xué)相互作用的連續(xù)斷裂和重建。塑性成為可變形或柔性電子材料的一個新方面。

參考文獻：

Gao, Z., Wei, TR., Deng, T.?et al.?High-throughput screening of 2D van der Waals crystals with plastic deformability.?Nat Commun?13, 7491 (2022). https://doi.org/10.1038/s41467-022-35229-x

原文鏈接：

https://www.nature.com/articles/s41467-022-35229-x

2.Nature Communications：數(shù)據(jù)驅(qū)動的從稀缺測量中發(fā)現(xiàn)無量綱數(shù)和支配定律

無量綱數(shù)和比例定律，為物理系統(tǒng)的特性，提供了優(yōu)雅的見解。經(jīng)典的量綱分析和相似理論，無法識別具有不完全控制方程的高度多變量系統(tǒng)的一組唯一的無量綱數(shù)。在此，來自美國西北大學(xué)的Wing Kam Liu & Zhengtao Gan等研究者介紹了一種機械數(shù)據(jù)驅(qū)動的方法，該方法將維數(shù)不變性原理嵌入到一個兩級機器學(xué)習(xí)方案中，從稀缺的測量數(shù)據(jù)中自動發(fā)現(xiàn)主要的無量綱數(shù)和支配定律(包括標(biāo)度定律和微分方程)。這里所提出的方法稱為無量綱學(xué)習(xí)，是一種基于物理的降維技術(shù)。它可以將高維參數(shù)空間簡化為只包含幾個物理上可解釋的無量綱參數(shù)的描述，極大地簡化了復(fù)雜的工藝設(shè)計和系統(tǒng)優(yōu)化。研究者通過從文獻中收集的有噪聲的實驗測量(非合成數(shù)據(jù))解決幾個具有挑戰(zhàn)性的工程問題來演示該算法。例如，湍流Rayleigh-Bénard對流，激光熔化金屬中的蒸汽抑制動力學(xué)，以及3D打印中的孔隙形成。最后，研究者證明了所提出的方法，可以利用稀疏促進技術(shù)識別具有無量綱數(shù)的量綱齊次微分方程。

參考文獻：

Xie, X., Samaei, A., Guo, J. et al. Data-driven discovery of dimensionless numbers and governing laws from scarce measurements.?Nat Commun?13, 7562 (2022). https://doi.org/10.1038/s41467-022-35084-w

原文鏈接：

https://www.nature.com/articles/s41467-022-35084-w

3.Nature Communications：大數(shù)據(jù)驅(qū)動的鈣鈦礦太陽能電池穩(wěn)定性分析

在過去的十年中，鹵化鉛鈣鈦礦在光伏應(yīng)用中顯示出巨大的潛力。然而，鈣鈦礦太陽能電池的穩(wěn)定性，仍然限制了商業(yè)化，由于缺乏適當(dāng)實施的統(tǒng)一穩(wěn)定性測試和傳播標(biāo)準(zhǔn)，很難比較歷史穩(wěn)定性數(shù)據(jù)，以評估邁向更好設(shè)備穩(wěn)定性的有希望的途徑。在此，來自南開大學(xué)的Jingshan Luo等研究者，提出了一個單一的指標(biāo)來描述設(shè)備的穩(wěn)定性，該指標(biāo)將不同環(huán)境應(yīng)力條件下的穩(wěn)定性結(jié)果歸一化，從而能夠直接比較不同的穩(wěn)定性結(jié)果?；谶@一指標(biāo)和7000多個設(shè)備的異構(gòu)穩(wěn)定性數(shù)據(jù)的開放數(shù)據(jù)集，研究者進行了統(tǒng)計分析，以評估不同穩(wěn)定性改進策略的效果。這為實現(xiàn)更穩(wěn)定的鈣鈦礦太陽能電池提供了重要的見解，也為基于大數(shù)據(jù)利用的鈣鈦礦太陽能電池領(lǐng)域的未來發(fā)展方向提供了建議。

參考文獻：

Zhang, Z., Wang, H., Jacobsson, T.J. et al. Big data driven perovskite solar cell stability analysis.?Nat Commun?13, 7639 (2022). https://doi.org/10.1038/s41467-022-35400-4

原文鏈接：

https://www.nature.com/articles/s41467-022-35400-4

4.Nature Machine Intelligence：AtomAI框架用于電子和掃描探針顯微鏡中圖像和光譜數(shù)據(jù)的深度學(xué)習(xí)分析

在過去的幾十年里，電子和掃描探針顯微鏡，已經(jīng)成為凝聚態(tài)物理學(xué)、材料科學(xué)和化學(xué)研究的關(guān)鍵組成部分。同時，在更廣泛的參數(shù)空間內(nèi)建立顯微鏡觀察和材料行為之間聯(lián)系的基礎(chǔ)設(shè)施是缺乏的。在此，來自美國橡樹嶺國家實驗室的Maxim Ziatdinov等研究者介紹了AtomAI，這是一個開源軟件包，將特定于工具的Python庫、深度學(xué)習(xí)和模擬工具連接到一個單一的生態(tài)系統(tǒng)中。AtomAI允許直接應(yīng)用深度神經(jīng)網(wǎng)絡(luò)進行原子和介觀圖像分割，將圖像和光譜數(shù)據(jù)轉(zhuǎn)換為基于類的局部描述符，用于下游任務(wù)，如統(tǒng)計和圖形分析。對于原子分辨率的成像數(shù)據(jù)，輸出是原子種類的類型和位置，并提供后續(xù)細化的選項。AtomAI還允許實現(xiàn)廣泛的圖像和頻譜分析功能，包括用于解糾纏變化的結(jié)構(gòu)因素的不變變分自編碼器和用于映射結(jié)構(gòu)-性質(zhì)關(guān)系的im2spec類型的編碼器-解碼器模型。最后，該框架允許在推斷出的原子位置上使用Python接口無縫連接到第一原理建模。

參考文獻：

Ziatdinov, M., Ghosh, A., Wong, C.Y. et al. AtomAI framework for deep learning analysis of image and spectroscopy data in electron and scanning probe microscopy.?Nat Mach Intell?(2022). https://doi.org/10.1038/s42256-022-00555-8

原文鏈接：

https://www.nature.com/articles/s42256-022-00555-8

5.Nature Machine Intelligence：數(shù)據(jù)驅(qū)動的內(nèi)在動態(tài)發(fā)現(xiàn)

動態(tài)模型是人們理解和預(yù)測自然系統(tǒng)行為的基礎(chǔ)。無論動力學(xué)模型是從第一性原理推導(dǎo)出來的，還是從觀測數(shù)據(jù)推導(dǎo)出來的，它們都是基于人們對狀態(tài)變量的選擇。狀態(tài)變量的選擇是由便利性和直覺驅(qū)動的，在數(shù)據(jù)驅(qū)動的情況下，通常選擇觀察到的變量作為狀態(tài)變量。這些變量(以及動態(tài)模型)的維度可以任意大，從而模糊了系統(tǒng)的潛在行為。事實上，這些變量通常是高度冗余的，系統(tǒng)是由一組更小的潛在內(nèi)在變量驅(qū)動的。在此，來自美國休斯頓大學(xué)的Daniel Floryan &?威斯康星大學(xué)麥迪孫分校的Michael D. Graham等研究者將流形的數(shù)學(xué)理論與神經(jīng)網(wǎng)絡(luò)的表示能力相結(jié)合，開發(fā)了一種直接從時間序列數(shù)據(jù)以及預(yù)測模型中學(xué)習(xí)系統(tǒng)內(nèi)在狀態(tài)變量的方法。該方法的獨特之處在于它能夠?qū)?shù)據(jù)降至它們所依賴的非線性流形的固有維數(shù)。這種能力是由來自流形理論的圖表和地圖集的概念實現(xiàn)的，在這種理論中，流形是由縫合在一起的補丁集合表示的，這是獲得內(nèi)在維度的必要表示。研究者在幾個具有低維行為的高維系統(tǒng)上演示了這種方法。由此產(chǎn)生的框架提供了開發(fā)盡可能低維度的動態(tài)模型的能力，捕捉了系統(tǒng)的本質(zhì)。

參考文獻：

Floryan, D., Graham, M.D. Data-driven discovery of intrinsic dynamics.?Nat Mach Intell?(2022). https://doi.org/10.1038/s42256-022-00575-4

原文鏈接：

https://www.nature.com/articles/s42256-022-00575-4