十九世紀三十年代，法拉第在研究固體導電性的時候發(fā)現(xiàn)，當氟化鉛和硫化銀被加熱到紅熱時，這兩種物質(zhì)會從絕緣體突變成很好的導體。這可能只是法拉第偉大生涯中的一個不起眼的發(fā)現(xiàn)，但卻從此揭開了離子導體研究的序幕?，F(xiàn)在人們知道，和傳統(tǒng)導體導電依靠電子的自由遷移不同，這兩種物質(zhì)的導電性是由氟離子和銀離子的快速移動而實現(xiàn)的。經(jīng)過近兩個世紀的研究，越來越多的離子導體被發(fā)現(xiàn)。它們包含了基于鋰、鈉、鉀、銀、銅、質(zhì)子等的各種陽離子導體，和基于氟，氯，氧等的陰離子導體。這些豐富的離子導體也帶來了包括鋰離子電池、鈉離子電池、固態(tài)燃料電池、固態(tài)氣體感應器等等一系列非常優(yōu)越的應用前景。在最理想的情況下，如果一個鋰離子導體能夠替代鋰離子電池中的有機易燃電解液，就有可能給解決鋰離子電池的安全性問題甚至提高能量密度提供一個可能的方案。這也讓對固態(tài)鋰離子導體的研究成為了一個當前的重要熱點。

近兩個世紀的研究揭示出了很多固態(tài)離子導體需要具有的特征，比如高濃度可自由移動的離子和低的擴散勢壘等等。但目前尚沒有一個能有效利用這些原理來篩選材料的方法。這讓新離子導體的開發(fā)目前很多時候還停留在以經(jīng)驗為基礎的實驗試錯上，包括近十來年新發(fā)現(xiàn)超鋰離子導體，如Li10GeP2S12 (LGPS)和石榴石結構的Li7La3Zr2O12 (LLZO)等。在這樣的情況下，如何利用人類已知的材料知識來快速地發(fā)現(xiàn)及篩選篩選新的高性能材料成為材料科學的一個重要問題和材料基因組工程的動機。

當前材料研究的熱點方向之一是引入機器學習的方法，通過學習文獻中積累下來的材料數(shù)據(jù)，建立定量的機器學習模型來預測材料性能，從而有效地提高篩選材料的效率并發(fā)現(xiàn)新的材料。以離子導體為例，如果能訓練一個機器學習模型能夠通過一些材料特征來預測離子導電率，那么就可以有的放矢的針對那些被預測為高電導的材料開展進一步的實驗。

遺憾的是，理想很豐滿，現(xiàn)實很骨感。眾所周知，機器學習是一個建立在數(shù)據(jù)分析上的學科方法。足夠的數(shù)據(jù)量是保證模型預測準確度的前提。但是對于材料科學來說，可用于訓練模型的數(shù)據(jù)量通常十分有限。以鋰離子導體為例，多年來的研究才僅僅發(fā)現(xiàn)了約十余種不同類型的鋰離子導體和一些較差的離子導體材料。如何利用這有限的數(shù)據(jù)獲得足夠的信息來指導材料篩選成為機器學習在材料發(fā)現(xiàn)領域應用的一個關鍵挑戰(zhàn)。

為了解決這個難題，來自豐田北美研究院和馬里蘭大學的研究者們提出了一種全新的應用機器學習的思路，通過較少的材料數(shù)據(jù)來篩選并發(fā)現(xiàn)新的高性能材料。和通常使用機器學習建立從材料特征到材料性質(zhì)之間的定量關聯(lián)不同的是，他們提出利用無監(jiān)督學習的方法來建立一個對材料的分類，在此基礎上分辨出哪個類別中具有較好的材料特征和想要的材料性能，然后引入高通量計算的方法來深入預測該類別中包含材料的性質(zhì)。和監(jiān)督學習相比，無監(jiān)督學習不需要大量的材料性質(zhì)做為訓練數(shù)據(jù)，從而避免了應用機器學習需要大量數(shù)據(jù)的難題。

以該工作中展示的鋰離子導體為例（圖1），他們首先利用模擬X-射線衍射的方法把修正后的陰離子晶體構型表現(xiàn)為一個數(shù)值矢量，作為機器學習的特征。隨后，他們利用hierarchical clustering建立了根據(jù)該陰離子構型衍射特征的分組。從中，他們發(fā)現(xiàn)已有的鋰離子導體絕大多數(shù)集中于兩個相鄰分組（圖2）。通過改變分組算法和優(yōu)化分組目標函數(shù)，他們發(fā)現(xiàn)這種利用材料衍射作為特征能夠穩(wěn)定地分類固態(tài)鋰離子導體。這種穩(wěn)定的衍射-離子導體關聯(lián)揭示陰離子構型在決定鋰離子固態(tài)擴散中的重要作用。通過進一步分析，他們發(fā)現(xiàn)絕大多數(shù)鋰離子導體都處于有高度對稱的陰離子構型和高度不對稱的陰離子構型之間。從而他們認為這種居中的對稱性有利于形成能級相近的鋰離子位，從而為快速的離子擴散創(chuàng)造條件。

無監(jiān)督學習揭露的這種隱藏的定型關系是作為進一步材料篩選的基礎。研究者們引入第一性原理分子動力學（圖3），系統(tǒng)地預測并篩選了包含有已知鋰離子導體分組內(nèi)的材料，從中預測了十六個新的室溫導電率大于0.1 mS/cm的材料，其中最高的室溫導電率接近10-1 S/cm。值得一提的是這些材料和已知鋰離子導體相比具有顯著不同的化學成分和晶體結構，為下一步快鋰離子導體研究提供了基礎和指導。

該工作發(fā)表于Nature Communications 上，通訊作者分別是馬里蘭大學的莫一非教授和豐田北美研究所的首席科學家凌晨博士。

Ying Zhang, Xingfeng He, Zhiqian Chen, Qiang Bai, Adelaide M. Nolan, Charles A. Roberts, Debasish Banerjee, Tomoya Matsunaga, Yifei Mo* & Chen Ling*? “Unsupervised discovery of solid-state lithium ion conductors”??10, 5260 (2019)

https://doi.org/10.1038/s41467-019-13214-1

作者介紹

莫一非教授研究組位于馬里蘭大學材料科學與工程系（University of Maryland, College Park）。莫一非教授研究組致力于發(fā)展與使用先進材料計算技術來理解、設計與發(fā)現(xiàn)高性能材料。該課題組現(xiàn)階段的研究重點是能量儲存與轉(zhuǎn)化材料，例如全固態(tài)電池。研究組的相關文章發(fā)表在Nature, Science,?Nature Materials, Nature Communications, Journal of the American Chemical Society, Angewandte Chemie, Joule,?Advanced Energy Materials, Chemistry of Materials,?Physical Review B 等期刊上。課題組常年招生秋季及春季入學的博士研究生、博士后研究人員和訪問學生學者。

凌晨博士畢業(yè)于佐治亞理工學院。自2011年加入豐田以來，他的主要研究方向在于利用第一性原理和機器學習方法進行對各種功能材料設計和機理研究。研究范疇包括對電池材料，汽車尾氣催化劑，電化學催化劑，太陽能電池材料等的設計開發(fā)，機器學習在材料學中的應用，文本挖掘等。研究結果發(fā)表在Nature Communications，Chemistry of Materials，npj Computation Material，Journal of Materials Chemistry A等期刊上。他目前是豐田北美研究所的Principal Scientist，負責其中的材料信息學課題組。