第一作者：張航
通訊作者：Tonio Buonassisi、Kedar Hippalgaonkar、Ding Ding、Ole M. L?vvik
通訊單位：麻省理工學院、新加坡工程與材料研究所、奧斯陸大學
前言
“故舉秋毫不為多力，見日月不為明目，聞雷霆不為聰耳。古之所謂善戰者，勝于易勝者也。”
——《孫子兵法·形篇》
那些描述自然界各種復雜規律的精巧公式使我們不禁贊嘆科學匠人們的巧奪天工，而高通量研究方法以及一些機器學習算法中所透露出來的那幾分拙樸，或許會更接近那個“天工”。
綜述簡介
近日由來自中國科學院工程熱物理研究所的張航研究員、美國麻省理工學院的Tonio Buonassisi教授、新加坡工程與材料研究所的Kedar Hippalgaonkar和Ding Ding教授，以及挪威奧斯陸大學的Ole M. L?vvik和Espen Sagvolden教授聯合撰寫了關于機器學習與傳熱領域交叉的綜述性文章，探討了這一新興領域目前所獲得的成就以及所面臨的機遇與挑戰。
圖1. 在機器學習的幫助下，人們對材料熱物性的認知以及對新型熱功能材料的研發形成了一個更為高效的完整閉環。
受益于材料科學數據庫的日益豐盈，以及高性能計算機硬件和先進算法的高速發展，基于機器學習的熱功能材料以及能源器件研究的探索性工作開始涌現。
要點1. 理論研究方面
對于簡單的塊體定比化合物而言，如果某個熱物性參數的計算開銷并不算大，那么我們可以簡單地基于第一性原理等工具，進行高通量遍歷計算，隨后根據所有材料的計算結果依據特定的標準進行篩選。但對于一些單個樣品計算開銷較大的情況（如基于密度泛函理論的高精度熱導率計算），學者們通常會采用高通量計算與機器學習相結合的方式，如與貝葉斯優化算法相結合，或通過一些模式識別先進行一輪或多輪篩選，從而大幅減少計算開支，提高材料篩選或設計的效率。
而對于結構更為復雜的非周期性的復合材料、多孔材料以及高熵合金的研究，目前常采用的方法主要為基于密度泛函理論或分子動力學的高通量理論計算，并配合機器學習中的快速收斂的尋優算法（如粒子群優化等），從而實現高效的材料設計。有些時候，機器學習所提供的最優設計方案對人類之前固有的經驗而言是反直覺的，這些也恰恰彌補了人類科研工作者的一些短板。而充分利用卷積神經網絡（CNN）在特征提取、模式識別上的優勢，以及可以直接對圖像進行處理等優點，采用模式識別來代替繁瑣費時的第一性原理計算也可以帶來精準的材料熱導率預測結果。
圖2. 雖然各種材料自身的聲子頻譜通常是一些復雜的準連續譜，但是可以提供最優熱導率的納米顆粒粒徑分布卻是簡單的離散峰。
在界面熱阻的研究方面，經典的聲學失配模型（AMM）與散射失配模型（DMM）由于預測精度方面的局限性，也受到了來自機器學習的挑戰。基于卷積神經網絡的算法可以提供明顯優于AMM與DMM模型的計算精度。
圖3. 科研工作者通過皮爾森相關系數圖對材料各個熱物性參數之間的關聯性進行分析。
要點2. 實驗研究方面
熱物性實驗與機器學習交叉的相關工作仍然較少，目前可以進行高通量熱物性測量的技術仍然十分有限，基于時域熱反射（TDTR）等方法的非接觸測量技術可能仍將是高通量熱物性測量的重要研究平臺。除了對單純材料的研究，基于一些實驗數據和機器學習的算法，人們也可以實現對一些能源器件（如光伏電池）的性能診斷，用于發現其性能提升的瓶頸。
小結
雖然目前材料熱物性的數據庫以及先進的機器學習算法都得到了長足的發展，但是相較而言，可靠數據的稀缺性仍然是制約該領域發展的瓶頸。因此，一個重要的前沿方向便是研發更高效的高通量理論和實驗工具。同時，如何在海量的數據庫中，綜合性地理解各個物理量以及描述符之間更深層次的關聯，可能也會成為一個重要的前沿方向。總之，高通量研究方法結合機器學習將科研工作者的時間從大量的重復性勞動中解放出來，也許有一天它也將改變我們這個領域的研究方式。
參考文獻：
H. Zhang, K. Hippalgaonkar, T. Buonassisi, O. M. L?vvik, E. Sagvolden and D. Ding. Machine Learning for Novel Thermal-Materials Discovery: Early Successes, Opportunities, and Challenges. ES Energy & Environment, 2018.
DOI: 10.30919/esee8c209
