机器学习使能源研究“开挂” 丨Cell Press讲座：机器学习在能源领域的应用

马晶 教授

南京大学

马晶，南京大学化学化工学院教授&博士生导师。长期致力于功能材料的理论研究，发展了快速有效的量子化学计算与模拟方法，精确预测极性大分子和分子聚集体在极性溶剂介质/外电场中的能量、结构和光谱特性。发展机器学习与深度学习模型，快速预测材料分子的物理与化学性质。作为第一/通讯作者在Nat. Chem., Nat. Commun., J. Am. Chem. Soc., Adv. Mater., Acc. Chem. Res.等期刊发表论文300余篇，国际专章3篇。曾获得国家自然科学基金委杰出青年基金、教育部“新世纪人才计划”、霍英东青年教师基金等资助。先后获得第九届中国青年女科学家，中国化学会青年化学奖、首届南京青年科技创新奖，教育部自然科学一等奖（第三完成人），江苏省“巾帼建功”标兵等奖励与荣誉。担任Journal of Chemical Theory and Computation和《物理化学学报》期刊编委、中国化学会理论化学委员会委员、中国化学会女化学工作者委员会委员。

材料分子的电子结构与催化性质预测

快速预测各类分子、纳米粒子的物理化学性质在材料的理性设计中具有重要的意义。利用密度泛函理论或者耦合簇等电子结构方法计算分子体系的电子结构性质需要付出高昂的计算代价，限制了对不同官能团排列组合而成的海量候选分子进行大规模、高通量的筛选。本次报告将介绍目前发展的机器学习和深度学习方法，对量子化学计算数据集进行学习，建立各类计算模型，对各类分子、纳米粒子、分子筛体系的电子结构（偶极矩、极化率、自由能、焓等）、催化性质等进行预测，并对一些挑战性问题和未来的发展方向进行展望。

张立军 教授

吉林大学

张立军，吉林大学材料科学与工程学院教授&博士生导师。长期从事材料计算模拟与新材料设计研究工作，基于高通量材料计算与人工智能机器学习算法结合的思路，发展了具有自主知识产权、代码开源的材料设计新方法与软件JAMIP (http://www.jamip-code.com)，聚焦半导体光电材料，开展新材料设计与光电性能调控研究，多个从理论上设计的新材料与新性能调控策略得到实验证实，取得了对半导体光电材料与器件领域有指引作用的创新成果。自2014年回国，作为第一/通讯作者在Nat. Rev. Mater., Nat. Photonics, Nat. Energy, Nat. Commun., Phys. Rev. Lett., J. Am. Chem. Soc., Adv. Mater. 等期刊发表论文80余篇，所有论文共被引用12750次，H因子55。主持基金委优秀青年基金（2017）及杰出青年基金（2021）项目；获中国材料研究学会“计算材料学青年奖”、吉林省青年科技奖—特别奖。

新型光电半导体材料设计

具有一定带隙的半导体材料在光电领域中被广泛应用，例如太阳能电池、光电探测、发光二极管及光催化等。随着超级计算机计算能力的显著增强以及人工智能、机器学习算法的不断发展，人们通过材料模拟，只需花费实验研究所需时间的一小部分，就可以探索巨大数量候选功能材料的特性。这使得功能导向的新材料设计在计算机模拟中得以实现。在这里，我将主要汇报我们近期在新型半导体光电材料的优化设计方面开展的工作。具体内容包括我们自主发展的结合高通量材料计算与人工智能机器学习算法的材料设计方法与软件JAMIP（全称Jilin Artificial-intelligence aided Materials-design Integrated Package，http://www.jamip-code.com，软件著作权：2021SR0349238）及应用其在太阳能光伏材料、透明导体材料、光电探测材料、光催化材料等光电半导体体系开展的新材料设计研究；部分理论设计的材料已得到实验证实并应用于光电器件。

李金金 研究员

上海交通大学

李金金，上海交通大学电子信息与电气工程学院研究员，博士生导师，人工智能与微结构实验室（AIMS-Lab）PI。长期从事量子力学计算与材料信息学研究，聚焦于半导体材料、高性能储能材料与器件的智能调控与设计。结合数据挖掘算法和机器学习算法，实现材料组分、结构和性能构效关系的模型开发与应用。著有英文学术专著4本，申请/授权专利/软件著作权20余项。作为第一/通讯作者在Prog. Mater. Sci., Phy. Rep., Nat. Commun., Energy. Stor. Mater., NPJ Comput. Mater., Nano. Energy., Adv. Sci.等期刊发表论文100余篇，多篇入选封面论文。主持/完成973国家重点研发计划、国家自然科学基金、上海国际合作专项、军委科技委国防创新计划等项目。

基于数据驱动的能源材料设计路线前瞻

不断增长的能源需求推动了能源材料的快速发展，理论计算方法在解释实验现象和理性设计中变得越来越重要。近年来，机器学习结合理论计算的方法在能源材料发现与设计中崭露头角，成为研究能源材料结构、性质和应用的重要途径。基于此，AIMS团队相继开发了化学反应设计平台UADDCR（软著：2020SR1169307），离子迁移活化能预测软件AI-IMAE（软著：2021SR1336972）掺杂过渡金属化合物导电特性预测平台DeepTMC（软著：2021SR1376010），范德华异质结设计平台ISU-HDP（软著：2021SR2212367）等。在这里，基于团队的前期研究成果，我将围绕监督学习（SL）、迁移学习（TL）以及无监督学习（UL）在超级电容器、光电半导体、电极/电解质材料、光伏薄膜、催化反应等能源体系中的应用展开介绍，重点聚焦于数据规模与机器学习建模方法的关系，对机器学习技术在能源材料中的建模原则和挑战进行深入分析，并启发式地提出机器学习在材料数据建模中的未来发展趋势，以促进能源科学的进步和发展。

iScience，Joule和Patterns的期刊编辑在群中为大家答疑解惑