Materials Expert-Artificial Intelligence for Materials Discovery

材料数据库的出现为从海量数据中发现新材料属性的预测性描述符提供了前所未有的机会。然而，通常依赖于高通量从头计算数据会继承这些数据的局限性：与实验结果不匹配。另一方面，实验决策通常受到专家经验的指导，这些经验很少被明确表达。我们建议使用机器学习将这种操作直觉“装瓶”成可量化的描述符，使用专家策划的基于测量数据的数据。我们引入“材料专家-人工智能”(ME-AI)来概括和表达这种人类直觉。作为这样一个计划的第一步，我们将四方网状材料中的拓扑半金属(TSM)作为属性，该属性受到基于结构信息的专家识别描述符的启发：容差因子。我们首先策划了一个数据集，包括879种四方网状材料的12个主要特征，尽可能使用实验数据。然后，我们使用基于狄利克雷的高斯过程回归，使用专门的核来揭示四方网状拓扑半金属的复合描述符。ME-AI学习到的描述符独立地复现了专家的直觉并扩展了它。具体而言，新的描述符指出过量价是预测四方网状化合物中TSM的关键化学特征。我们在一个精心定义的问题上取得了成功，这表明“机器装瓶人类洞察力”的方法对于机器学习辅助材料发现是有前途的。

如何将人类专家的经验知识转化为可量化的描述符，以用于材料发现中的机器学习？

使用专家筛选的基于测量数据的数据集，结合Dirichlet-Gaussian过程回归和特殊核函数，将人类专家的经验知识转化为可量化的材料描述符，用于预测方形网材料的拓扑半金属性质。

论文提出的“Materials Expert-Artificial Intelligence”（ME-AI）方法，将人类专家的经验知识与机器学习相结合，用于材料发现。实验使用了包括实验数据在内的879个方形网材料的12个基本特征。研究结果表明，材料的超价性是预测方形网材料拓扑半金属性质的关键化学特征。

最近的相关研究包括：1.使用机器学习预测材料性质的研究；2.使用高通量实验数据进行材料发现的研究。