作為人工智能(AI)如何加速新材料發現的一個有力例子，科學家設計并驗證了具有高導熱性的聚合物 - 這一特性將成為熱管理的關鍵，例如，在第五階段 - 一代(5G)移動通信技術。他們的研究強調了機器學習方法相對于傳統的高性能材料搜索方法的巨大優勢。

包括Ryo Yoshida(信息與系統研究組織統計數學研究所[ISM]創意設計與制造數據科學中心主任)的聯合研究小組，Sunko Junko(材料與化學學院教授)技術，東京工業大學[東京技術])和徐一斌(熱管理和熱電材料集團組長，信息集成材料研究中心，材料數據和集成系統研究和服務部[MaDIS]，NIMS)已經證明了機器學習(ML)的有希望的應用 - 機器人學習是一種AI，它使計算機能夠從給定的數據中“學習” - 用于發現創新材料。

研究人員在開放獲取期刊npj計算材料中報告了他們的研究結果，他們的ML方法涉及“轉移學習”，即使從極小的數據集中也可以發現具有所需特性的材料。

該研究利用了PoLyInfo的聚合物性能數據集，PoLyInfo是世界上最大的NIMS聚合物數據庫。盡管尺寸巨大，但PoLyInfo對聚合物的傳熱性能數據有限。為了根據給定的有限數據預測傳熱特性，對代理屬性的ML模型進行了預先訓練，其中有足夠的數據可用于相關任務; 這些預先訓練的模型捕獲了與目標任務相關的共同特征。即使對于非常小的數據集，在目標任務上重新利用這種機器獲取的特征也產生了出色的預測性能，好像經驗豐富的人類專家即使對于經驗較少的任務也可以做出合理的推理。該團隊將該模型與專門設計的ML算法結合起來進行計算分子設計，這被稱為先前由吉田和他的同事開發的iQSPR算法。應用這種技術啟用了識別!

成千上萬有希望的“虛擬”聚合物。

從這大量候選物中，根據其易于合成和加工選擇了三種聚合物。

測試證實，新型聚合物的導熱系數高達0.41瓦/米 - 開爾文(W / mK)。這個數字比典型的聚酰亞胺高80%，聚酰亞胺是一組常用的聚合物，自20世紀50年代以來大量生產用于從燃料電池到炊具的應用。

通過驗證計算設計聚合物的傳熱性能，該研究代表了快速，經濟，ML支持的材料設計方法的關鍵突破。它還展示了該團隊在數據科學，有機合成和先進測量技術方面的綜合專業知識。

Yoshida評論說，許多方面仍有待探索，例如通過添加更合適的描述符來“訓練”計算系統以處理有限的數據。“聚合物或軟材料設計的機器學習是一個具有挑戰性但前景廣闊的領域，因為這些材料具有與金屬和陶瓷不同的特性，并且現有理論尚未完全預測，”他說。

這項研究是發現其他創新材料的起點，Morikawa補充道：“我們希望嘗試創建一個ML驅動的高通量計算系統，為超越5G時代的應用設計下一代軟材料。通過我們的項目，我們的目標不僅是追求材料信息學的發展，而且還有助于材料科學的基本進步，特別是在聲子工程領域。“

這項工作是作為“信息集成材料研究”計劃(MI 2 I)的一部分進行的，該計劃是由科學技術廳(JST)選擇的開放式創新加速器，作為啟動創新中心的支持計劃，由NIMS實施。