《Chemical Reviews》出版了南方科技大学李保文团队的最新综述，总结了机器学习和优化算法设计热学超结构材料的相关进展。

  人工智能 (Artificial Intelligence, AI) 实现了以前难以处理的材料科学研究，例如，机器学习 (Machine Learning, ML) 已经能够预测材料中一些前所未有的热学性能。在这篇综述中，我们第一步阐明了基于机器学习的判别模型和生成模型的方法，以及多种优化算法。随后，我们总结了一系列案例研究，展示机器学习在热超构材料设计中的应用。最后，我们简要讨论了这个加快速度进行发展的领域所面临的挑战和机遇。具体而言，本综述提供了：（1）使用优化算法优化超材料结构以实现特定的目标特性。(2)判别模型与优化算法相结合以提高超材料优化效率。(3) 基于生成模型的热超材料结构设计和优化。

  近年来，材料科学的研究已取得了长足进步，成功解决了部分能源、制造、电子信息技术和生化应用等领域的挑战。然而，由于天然材料的化学成分和内部键合的限制，其性能的逐步提升在某些特定的程度上受到限制。为克服这一局限，人们提出了新型超材料，其具有超越自然材料的非凡特性。这些独特的性能源自其特殊的结构组配而非其天然的材料特性。

  材料研究产生的大量数据为AI引入材料科学奠定了基础，GPU中CUDA核心的增加和RAM存储容量的提升促进了AI在超材料设计中的应用。机器学习是人工智能的一个子集，它利用统计技术使计算机系统可以依据现有数据对材料结构可以进行预测。如何找出结构和功能之间的对应关系，成为超构材料研究领域紧迫而富有挑战性的任务。近几十年来，研究人员主要是采用了两大类优化算法来解决超材料的逆设计问题：（1）基于梯度的算法，例如水平集方法或伴随方法，以及（2）无梯度算法，这中间还包括进化方法（例如遗传算法或粒子群优化）和启发式算法（例如模拟退火算法）。一旦设置了适当的超参数，这两类方法都可以自动运行，无需人工协助或干预。利用机器学习设计和优化超构材料是一个尚在蒸蒸日上的新兴领域，亦是物理学、材料学和计算科学的交叉融合，既有实际应用潜力又可以反哺基础理论研究。

  在这篇综述文章中我们详细的介绍了目前用于热学超构材料设计所涵盖的几乎所有机器学习算法。同时还提供了这些算法应用的范例。我们的初衷是给想要入行的研究人员提供一份参考手册，想让他们能通过阅读本文更快的入手并尝试利用机器学习算法来设计超构材料结构。

  机器学习模型大致可分为两类：判别网络和生成网络。其中判别网络在回归和分类任务中表现出色。在回归任务中，目标是揭示训练数据内的关系，其中输入输出映射表示为支持一对一或多对一映射的单值函数。因此，判别神经网络充当前向预测的替代物理模型，依据输入特征参数对超材料的特性进行预测。

  生成网络学习训练数据集的分布并生成具有随机变化的新数据。这是通过将输入数据映射到称为“潜在空间”的压缩表示来实现的，可以从中检索与输入类似的数据。生成模型能够学习和捕获高维数据的分布，随后将它们压缩到称为潜在空间的降维空间中。通过对潜在空间中的点进行采样，生成模型可以生成与训练集中存在的数据点“相似”的各种数据点。生成网络能够学习数据集的几何特征并输出超材料布局的分布。超构材料的逆向设计基础在于判别网络实现的前向预测与生成网络的结构生成相结合，二者相辅相成缺一不可。

  (i)数据采集。数据是机器学习模型的基石，一定要有足够的数量和质量才能有效解决当前的问题；

  (ii)特征工程。采集到的数据需要转换为机器学习计算系统可识别和解释的合适格式。材料的表示包含一组描述独特材料属性的变量，称为描述符；

  (iii)模型选择。没有一种单一的机器学习算法在不同的问题领域中普遍优于所有其他算法。因此，选择正真适合模型的任务取决于具体的问题背景，并要求进行细致的个案分析；

  (iv)模型评估。如果所选模型产生的结果不令人满意，则迭代重复前面的步骤，直到获得满意的问题解决方案。

  在本文中我们梳理了许多利用机器学习算法优化超构材料结构的实际案例以帮助读者更方便地理解逆向设计超构材料结构的过程。众所周知，热量的传递具有三种机制，即热传导、热辐射和热对流。针对不同的热传递方式，其对应的超材料设计方法迥然不同。

  比如热传导超构材料通常可按照有没有量子效应而分为宏观和微观两个不同的类别。宏观热传导超构材料包括热隐身衣、热聚集器、热旋转器及热幻象装置等等；微观热传导超构材料包括声子晶体等。前者尺度较大由宏观传热原理支配，而后者尺度较小具有量子效应，其热输运可以被声子模型描述。可见利用机器学习优化热超材料的结构需要使用者对相关超构材料的应用场景及其背后的物理常识有一定的了解，需根据具体的情况依据不同的物理模型及理论来设计材料结构。

  另一个典型案例是利用机器学习算法优化热辐射超构材料。热辐射超构材料的应用包括但不限于光伏系统、辐射制冷等。由于热辐射作用通过电磁波来传递热量，其设计原理与光学超构材料近似，相关逆向设计方法与光学超构材料有很多交集。

  所有科学研究的目标都是促进人类福祉并促进工业生产进步。利用机器学习算法可以为超构材料的设计带来非常大的便利。尽管已有不少成功的案例，但相关领域仍处于起步阶段，尚有许多值得探究的方向。

  热超材料设计和优化策略：是不是能够借助机器学习算法为相关领域超构材料的设计和优化提供更普适的解决方案？

  热超材料的应用：利用机器学习可以为热学超构材料的设计注入新的活力。我们是不是可以进一步拓宽热超材料的应用场景，解决当下的痛点问题如芯片散热、新能源汽车电池组的热管理等？

  模型可解释性：根据某种机器学习算法要不要外部解释器来理解其决策机制，相关模型可以大致分为“白盒”模型或“黑盒”模型。“白盒”模型能够最终靠回归等统计学方法来揭示机器学习算法决策过程背后的基础原理。一个具有高度可解释性的算法模型不仅能让我们设计超材料应对工程应用的燃眉之急更能帮助我们理解超构材料设计背后的结构与响应对应关系，从而反哺基础科学研究。

  数据集数量和质量：我们应该更多、更可靠的数据集来完善算法。尽管将机器学习应用于热学超材料研究的趋势日渐增长，但可用于此类研究的数据库规模远小于图像处理等其他领域。如何获取适合数量的高质量数据集将成为该领域未来需要面对的重要挑战之一。

  高效描述符的开发：在数据预处理阶段，必须识别和探索不同特征片段之间的相似性。如何将相似的特征分组到不一样的区域中，对于评估各种特征的相关性非常有帮助，其能加强我们对不同参数作用的理解并促进新特征的创建。

  南方科技大学材料科学与工程系副研究员。于复旦大学取得学士及博士学位。研究方向为利用多物理场耦合效应实现可调超构材料的设计与制备。共发表SCI索引期刊论文三十余篇，其中以第一作者\通讯作者身份在Nat. Mater.、Phys. Rev. Lett.（2篇）、PNAS、Adv. Mater.、The Innov.、Sci. China-Phys. Mech. & Astron.、Int. J. Heat Mass Transf.、Phys. Rev. Appl. 、Appl. Phys. Lett.等期刊发表论文23篇，共被引用984次。申请专利九项（包括美国专利一项），授权一项。深圳市海外高层次人才（孔雀计划B类）。

  南方科技大学深港微电子学院副研究员。于2013年在新加坡国立大学综合科学与工程研究生院（NGS）获博士学位；2008年硕士毕业于中国科学技术大学近代物理系。博士毕业后曾任新加坡A*STAR高性能计算研究所 （IHPC）研究员，伯克利加州大学和博尔德科罗拉多大学的访问学者。回国前任职美国辐射制冷公司 Radi-Cool, 从事散热/制冷材料/器件设计和机器学习/人工智能等相关方面的应用研究。自2022年11月起在南科大深港微电子学院做高级研究学者。研究方向包括：复杂网络中能量和信息的输运，复杂网络的拓扑结构与功能之间的关联；利用机器学习/人工智能设计最优的散热网络结构；利用机器学习和AI对电子芯片，新能源汽车电池热能管理提供方案设计。在 Mater. Today Physics、NPJ Flexible Electronics，Phys. Rev. B、Phys. Rev. E、Phys. Rev. Research、Sci. China-Phys. Mech. & Astron.、Chin. Phys. B等知名国际发表文章20余篇，申请发明专利4项。受邀德国，中国，美国，意大利，澳大利亚，日本等举办的国际会议中做报告/海报10余次。

  李保文，南方科技大学材料科学与工程系和物理系双聘讲席教授。本、硕、博分别毕业于南京大学物理系（1985），中科院声学所（1989），德国奥尔登堡大学物理系（1992）。国家特聘专家，欧洲科学院（Academia Europaea）院士，美国物理学会会士。曾任博尔德科罗拉多大学机械工程系和物理系冠名终身教授，新加坡国立大学物理系终身教授。主要研究领域包括：相干和非相干声子调控，微纳米声子热输运，热界面材料，热功能材料/器件/系统模块设计和制造。发表论文400篇，包括3篇与纳米尺度声子热输运相关的现代物理评论（RMP）和30篇PRL以及Nat. Mater. Rev., Nat. Comm., Nat. Mater., Nano Lett, Adv., Mater., Adv. Func. Mater., Phys. Rev. A, B, E, Applied，等等。被引用超过31,500次，H因子95。作过超过300次大会报告、主旨演讲、应邀/研讨会演讲。

  编辑：朱昌良，段了了，本文仅为导读，详细内容请点击文末“阅读原文”进入原文查看。