從目前現狀看，尚未發現在新能源材料領域有系統應用材料基因組技術指導材料研發的典型成功案例。但利用材料基因組技術的單一或幾種方法組合指導和加速新能源材料研發的案例卻屢見不鮮。

他在所有的材料數據庫中，根據相圖，先搜索具有穩定結構的材料，以保證這種材料可以被穩定的制備出來，然后根據光催化水的材料的性質，搜索材料帶隙在1.3～3.6 eV之間的材料，然后對于材料對比能帶位置，保障材料的導帶和價帶在合適的位置，再通過實驗驗證這些被搜索出來的材料是否能被用作光催化分解水的材料，最終找到了16種具有這些光催化可能性的材料。

相關學習資料：

?

[1] WU Y LAZIC P’HAUTIER G eta1．First principles high throughput screening of oxynitrides forwater-splitting photocatalysts[J]Energy &Environmental Science，2012，6(1)：157—168．

WOLVERTON在研究如何抑制鋰離子電池的正極退化這一影響電池壽命的關鍵因素問題時，采用了高通量篩選的方法，首先確定了涂層需要的物理性質，然后再從OQMD數據庫中的13萬個含0的結構中進行篩選，最終篩選出了30種最可能的涂層的候選材料。

相關學習資料：

[1] AYKOL M，ⅪM S，HEGDE VI，et a1．High-through put computational design of cathode coatings for Li-ion batteries[J]．Nature Communications，2016，7：13779—13790．

在新能源材料研究領域，利用材料基因組高通量計算技術指導材料研發還處于初步發展階段，目前已知理論方面的應用指導技術主要有以下幾類。

(1)??材料構象表征(representation)

最早運用在化學和生物領域，研究高分子的鏈式表達以及原子之間的鍵長鍵角表征。

早在1985年，SMILES 符號就通過分子圖論方法建立了一套化學“語言”，成功的對化學分子進行編碼。

但是，由于晶體結構具有周期重復性，且晶體結構中原子有對稱操作，使得晶體結構的表象的唯一性要求提高，直到最近，才不斷有較成功的對晶體結構的表象技術報道。

SCHOTT等利用對徑向分布函數(pair radial distribution function)作為晶體結構表象，并把這種表象作為機器學習模型的輸入，成功預測出大體系(約100原子)在費米能級處的能態密度。

FABER等則在考慮周期性的條件下用傳統的庫侖矩陣(coulomb matrix)作為晶體結構的表象，成功預測了材料的形成能。

相關學習資料：

?

[1] WEININGER D SMILES．A chemical language and information system．1．Introduction to methodology and encoding rules[J]．Journal of Chemical Information&Computer Sciences，1988，28(1)：31-36．

?

[2] SCHUTT K T，GLAWE H，BROCKHERDE F，et a1．Howto represent crystal structures for machine learning：towardsfast prediction of electronic properties[J]．Physical Review B，2013，89(20)：163—168．

?

[3] FABER F，LINDMAA A，VON LILIENFELD O A，et a1．Crystal structure representations for machine learning models offormation energies[J]．International Journal of Quantum Chemistry,2015， 115(16、：1094一1101．

(2)??高通量計算及篩選(high-throughput calculation and screening)

在近幾十年隨著密度泛函理論 (density functional theory)的日漸成熟，科學家可以從量子力學角度出發精確有效地計算材料中原子間的電子相互作用，從而預測出材料的一系列性質，從理論上指導材料設計。

伴隨著強大的高性能并行計算能力以及高效率的算法，由高通量計算(high-throughput calculation)以及高通量篩選(high—throughputscreening)驅動的材料大數據技術應運而生。通過高通量計算得到大量的材料性質，并從中高通量篩選出符合條件的材料，成為了材料科學家發現新材料的重要手段。

CEDER等通過高通量計算數千種復合物的充放電電壓和理論容量的關系，再進行電子遷移能力、穩定性和安全性等條件的篩選，成功預測了安全性和充放電電壓的關系，并預測了理想的電池正極材料。

相關學習資料：

?

[1] CEDER G Opportunities and challenges for first—principles materials design and applications to Li battery materials[J]．MRS Bulletin，2010，35(9)：693-701．

?

CASTELLI等通過穩定性、能帶位置以及禁帶寬度等條件對具有立方鈣鈦礦結構的共含有52種金屬元素的5400種半導體氧化物及氮氧化物進行高通量篩選，成功識別現有的10種理想的氧化物和5種理想的氮氧化物，并預測出9種未知的組合材料作為高效率光解水材料。

?

相關學習資料：

?

[1] CASTELLI I E，OLSENT’DATTA S，et a1．Computational screening of perovskite metal oxides for optimal solar light capture[J]．Energy& Environmental Science，2012，5(2)：5814-5819．

MADSEN等通過高通量方法在無機晶體結構數據庫(ICSD)中的570種含銻元素的復合物中自動搜索新型熱電材料，發現具有津特爾 (Zintl)相的LiZnSb是一種理想的n型熱電材料。

相關學習資料：

?

[1] MADSEN GK H．Automated search for new thermoelectric materials：The case of LiZnSb[J]．Journal of theAmerican Chemical Society, 2006，128(37)：12140-12146．

(3)??機器學習(machine learning)

近年來人工智能被越來越多地應用在各種領域，以期發現運用傳統手段無法發現的現象和規律。

CEDER等通過貝葉斯概率統計方法，以無機晶體結構數據庫中的晶體結構數據作為訓練集(training set)，晶體構型和元素種類作為模型的輸入(input)，在耗費少量計算資源的情況下發現了209種新型三元氧化物。

相關學習資料：?

?

[1] HAUTIER G FISCHER C C，JAIN A，et a1．Finding natures missing ternary oxidecompounds using machine learning and density functional theory[J]．Chemistry of Materials，2010，22(12)：3762—3767．

CORMA等運用支持向量機(Suppoa Vector Machine)的方法，以沸石合成過程中的合成變量(synthesis variables)作為模型的參數(反應初始凝膠的濃度、反應過程、溫度和時間等)，準確地預測出合成產物的結構特性和熱動力學性質。

相關學習資料：

?

[1] SERRA J M，BAUMES L A，MOLINER M，et a1．Zeolite synthesis modelling withsupport vector machines：A combinatorial approach[J]． Combinatorial Chemistry&High Throughput Screening，2007，10(1)： 13—24．

(4)??神經網絡(neural network)

?

神經網絡技術是一種模仿動物大腦中神經元行為特征并進行分布式并行信息處理的算法學模型，通過調整內部大量節點之間的(非)線性的關系，達到處理復雜聯系的目的。

在材料學領域，也有種種變量之問的復雜關系需要探尋，如晶體的構效關系，材料合成過程中反應變量與產物之間的關系等。

MAYYAS等運用前向傳播(forward propagation)技術，以銅的質量百分比和碳化硅的積比例作為模型的輸入，密度、孔洞率和硬度作為模型的輸出，根據鋁銅基的碳化硅的結構特性成功預測了化合物的物理性質。

相關學習資料：

?

[1] HASSAN AM，ALRASHDAN A，HAYAJNEH M T，et a1．Prediction of density,porosity and hardness in aluminum—copper-based composite materials using artificial neural network[J]．Journal of Materials ProcessingTechnology,2009，209(2)：894-899．

MORADI等通過人工神經網絡(artificial neural network)和多重線性回歸模型(multiplelinear regression model)，以電解質濃度、溫度和施加電壓等反映參數作為模型的輸入，成功預測了納米介孔陽極氧化鋁的介孔間距。

相關學習資料：

?

[1] AKBARPOUR H，MOHAJERI M，MORADI M．Investigationon the synthesis conditions at the interpore distance of nanoporous anodicaluminum oxide：A comparison of experimental study,artificial neural network，and multiple linear regression[J]．Computational Materials Science，2013，79：75-81．

SCHERAGA等通過人工神經網絡技術，在考慮多體極化效應的基礎上，產生了液態水的力場，經過蒙特卡洛模擬(Monte Carlo simulation)，與實驗值十分吻合。

?

相關學習資料：

[1] CHO K H，NO K T’SCHERAGA H A．A polarizable forcefield for water using an artificial neural network[J]．Journalof Molecular Structure，2002，641(1)：77—91．

(5)??優化算法(optimization algorithm)

優化算法也已成為材料學家在化學空間中搜索新型復合物進行材料發現與設計的一種重要技術方法。常見的優化算法如遺傳算法(genetic algorithm)、進化算法(evolutionary algorithm)和粒子群算法(swarnl particle algorithm)等均已被應用于尋找能量最低的穩定晶體結構。

WANG等運用差分進化算法(differential evolutionary algorithm)尋找低能量的穩定團簇結構，在耗費少量計算資源的情況下成功發現數十種鈷單質團簇和鉛單質團簇。

相關學習資料：

?

[1] CHEN Z，JIANG X，LI J，et a1．PDECO：Parallel differential evolution for clusters optimization[J]．Journal of Computational Chemistry,201334(12)：1046-1059．

HO等利用自適應遺傳算法(adaptive genetic algorithm)發現了硅酸鎂在分解過程中的多種相，并通過實驗驗證了這一發現。

相關學習資料：

[1] wu s Q，JI M，WANG C Z，et a1．An adaptive genetic algorithm for crystal structure prediction[J]．Journal of Physics Condensed MaUer An Institute of Physics Journal，2014，26(3)：doi：10．1088／0953— 8984／26／3／035402．

MA等開發了基于粒子群算法尋找能量最低結構的結構搜索程序CALYPSO，并成功 預測了高壓條件下二氧化硅和碳酸鈣的穩定相。

相關學習資料：

?

[1] WANG Y LU J，ZHU L，et a1．Crystalstructure prediction via particle swami optimization[J]．Physics，2010，82(9)：7174·7182．

?

盡管目前各種方法或方法組合在新能源材料研究領域都有成功的應用案例，但還遠未達到材料基因組計劃提出的初衷，主要表現在：

• 系統性不強

?

當然這與材料基因組技術尚處于發展的初步階段，還不能實現工具、手段、方法、數據、平臺等的高度集聚和系統應用有關。

?

• 各項技術發展還有待加強

?

① 對于性能要求非單一的材料研發，我們還不能完全通過計算來評估性能要求復雜的體系的材料性能；對于鋰電池，其性能需要在各個方面優秀(容量、充放電速度、穩定性等)，我們依然不能利用材料基因組高通量計算直觀預測什么樣的材料能做出來性能好的電池；

?

② 對于全新材料的研發，我們的目前材料搜索還是基于現有的晶體數據庫，在現有已經可以制備的材料中尋找具有某些性能的材料，或者僅僅做一些類似于化學摻雜的工作，這樣就很難有革命性的成果；

?

盡管現在已經有了一些利用遺傳算法搜索材料結構的計算軟件，但這些軟件會消耗大量的計算資源，并且不能穩定地保證找到新的材料。目前尚沒有利用這些軟件進行高通量篩選的計算技術；

?

③對于實驗的計算模擬，我們還不能通過材料基因組技術來預測實驗過程，目前我們還沒有成熟的計算模擬實驗的方法，更多還是利用計算模擬對實驗結果解釋驗證，需要融合高通量計算與高通量實驗，發揮材料基因組技術的系統優勢。

?

參考文獻：林海, 鄭家新, 林原, 等. 材料基因組技術在新能源材料領域應用進展[J]. 儲能科學與技術, 2017, 6(5): 990-999.