麻省理工学院的研究团队发现，与标准的实验和理论方法相比，机器学习技术有很大的优势。在2020年9月发表在《自然-能源》杂志的一篇文章中，三位科学家提出了几个“大挑战”--其中之一是为热能储存装置寻找合适的材料，这些材料可以与太阳能系统协同使用。

幸运的是，麻省理工学院核科学与工程系Norman C. Rasmussen副教授，该系量子物质小组的负责人李明达已经在沿着类似的思路思考。事实上，李明达和九个合作者（来自麻省理工学院、劳伦斯伯克利国家实验室和阿贡国家实验室的研究人员）正在开发一种新的方法，涉及一种新的机器学习方法，这将使其更快、更容易识别具有热能存储和其他用途的有利特性的材料。

他们的调查结果最近发表在《先进科学》的一篇论文中。橡树岭国家实验室的杰出工作人员、物理学家Jaime Fernandez-Baca评论说：“这是一种革命性的方法，有望加速新功能材料的设计。”

李明达和他的合作者写道，材料科学的一个核心挑战是“建立结构与性能的关系”——弄清楚具有特定原子结构的材料将具有的特性。李明达的团队特别关注使用结构知识来预测“声子态密度”，这对热性能有关键影响。

要理解这个术语，最好从声子这个词开始。材料科学和工程专业的博士生Nina Andrejevic解释说：“一种晶体材料是由排列在晶格结构中的原子组成的。我们可以把这些原子看作是由弹簧连接的球体，而热能导致弹簧振动。而那些只在离散的（量化的）频率或能量下发生的振动，就是我们所说的声子。”

“声子态密度”只是在一个特定的频率或能量范围内发现的振动模式或声子的数量。知道了“声子态密度”，人们就可以确定一种材料的载热能力以及它的热导率，这与热量如何容易地通过一种材料有关，甚至可以确定超导体的超导转变温度。李明达说：“出于热能储存的目的，你想要一种具有高比热的材料，这意味着它可以吸收热量而不出现温度急剧上升。你还想要一种具有低热导率的材料，这样它就能更长时间地保持其热量。”

然而，“声子态密度”是一个很难在实验中测量或在理论上计算的术语。“对于像这样的测量，人们必须去国家实验室使用一个大型仪器，大约10米长，以获得你需要的能量分辨率，”李明达说。“那是因为我们正在寻找的信号非常弱。”

“而如果你想计算声子态密度，最准确的方法是依靠密度泛函微扰理论（DFPT），”机械工程博士生陈占涛指出。“但是这些计算的规模是晶体基本构件中原子数量的四阶，这可能需要在一个CPU集群上花费数天的计算时间。"对于包含两种或更多元素的合金，计算变得更加困难，可能需要数周甚至更长时间。”

李明达表示，这种新方法可以将这些计算需求减少到个人电脑上的几秒钟。他的团队没有试图从第一原理计算“声子态密度”，这显然是一项费力的任务。他们转而采用了一种神经网络方法，利用人工智能算法，使计算机能够从实例中学习。这个想法是向神经网络提供足够的关于材料的原子结构及其相关的声子态密度的数据，使网络能够分辨出连接这两者的关键模式。在以这种方式进行“训练”之后，该网络将有望对具有特定原子结构的物质进行可靠的状态密度预测。