第一作者：张航
通讯作者：Tonio Buonassisi、Kedar Hippalgaonkar、Ding Ding、Ole M. Løvvik
通讯单位：麻省理工学院、新加坡工程与材料研究所、奥斯陆大学
前言
“故举秋毫不为多力，见日月不为明目，闻雷霆不为聪耳。古之所谓善战者，胜于易胜者也。”
——《孙子兵法·形篇》
那些描述自然界各种复杂规律的精巧公式使我们不禁赞叹科学匠人们的巧夺天工，而高通量研究方法以及一些机器学习算法中所透露出来的那几分拙朴，或许会更接近那个“天工”。
综述简介
近日由来自中国科学院工程热物理研究所的张航研究员、美国麻省理工学院的Tonio Buonassisi教授、新加坡工程与材料研究所的Kedar Hippalgaonkar和Ding Ding教授，以及挪威奥斯陆大学的Ole M. Løvvik和Espen Sagvolden教授联合撰写了关于机器学习与传热领域交叉的综述性文章，探讨了这一新兴领域目前所获得的成就以及所面临的机遇与挑战。
图1. 在机器学习的帮助下，人们对材料热物性的认知以及对新型热功能材料的研发形成了一个更为高效的完整闭环。
受益于材料科学数据库的日益丰盈，以及高性能计算机硬件和先进算法的高速发展，基于机器学习的热功能材料以及能源器件研究的探索性工作开始涌现。
要点1. 理论研究方面
对于简单的块体定比化合物而言，如果某个热物性参数的计算开销并不算大，那么我们可以简单地基于第一性原理等工具，进行高通量遍历计算，随后根据所有材料的计算结果依据特定的标准进行筛选。但对于一些单个样品计算开销较大的情况（如基于密度泛函理论的高精度热导率计算），学者们通常会采用高通量计算与机器学习相结合的方式，如与贝叶斯优化算法相结合，或通过一些模式识别先进行一轮或多轮筛选，从而大幅减少计算开支，提高材料筛选或设计的效率。
而对于结构更为复杂的非周期性的复合材料、多孔材料以及高熵合金的研究，目前常采用的方法主要为基于密度泛函理论或分子动力学的高通量理论计算，并配合机器学习中的快速收敛的寻优算法（如粒子群优化等），从而实现高效的材料设计。有些时候，机器学习所提供的最优设计方案对人类之前固有的经验而言是反直觉的，这些也恰恰弥补了人类科研工作者的一些短板。而充分利用卷积神经网络（CNN）在特征提取、模式识别上的优势，以及可以直接对图像进行处理等优点，采用模式识别来代替繁琐费时的第一性原理计算也可以带来精准的材料热导率预测结果。
图2. 虽然各种材料自身的声子频谱通常是一些复杂的准连续谱，但是可以提供最优热导率的纳米颗粒粒径分布却是简单的离散峰。
在界面热阻的研究方面，经典的声学失配模型（AMM）与散射失配模型（DMM）由于预测精度方面的局限性，也受到了来自机器学习的挑战。基于卷积神经网络的算法可以提供明显优于AMM与DMM模型的计算精度。
图3. 科研工作者通过皮尔森相关系数图对材料各个热物性参数之间的关联性进行分析。
要点2. 实验研究方面
热物性实验与机器学习交叉的相关工作仍然较少，目前可以进行高通量热物性测量的技术仍然十分有限，基于时域热反射（TDTR）等方法的非接触测量技术可能仍将是高通量热物性测量的重要研究平台。除了对单纯材料的研究，基于一些实验数据和机器学习的算法，人们也可以实现对一些能源器件（如光伏电池）的性能诊断，用于发现其性能提升的瓶颈。
小结
虽然目前材料热物性的数据库以及先进的机器学习算法都得到了长足的发展，但是相较而言，可靠数据的稀缺性仍然是制约该领域发展的瓶颈。因此，一个重要的前沿方向便是研发更高效的高通量理论和实验工具。同时，如何在海量的数据库中，综合性地理解各个物理量以及描述符之间更深层次的关联，可能也会成为一个重要的前沿方向。总之，高通量研究方法结合机器学习将科研工作者的时间从大量的重复性劳动中解放出来，也许有一天它也将改变我们这个领域的研究方式。
参考文献：
H. Zhang, K. Hippalgaonkar, T. Buonassisi, O. M. Løvvik, 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
