生成模型揭示物质无序的秘密

新加坡国立大学（NUS）的科学家利用通用机器学习模型来探索压电材料中相邻晶体之间原子的不同方法，压电材料是一种在机械应力应用中产生小电压的材料，但会遇到不匹配这一启示揭示了这种材料中无序记忆的途径

在大多数材料科学中，除了一个问题外，还涉及到不同的结构或不复杂材料的价值函数，关键的挑战是识别无序类型，尤其是样本NUSA的一个研究小组通过将广泛的结构无序从压电材料的域边界浓缩成一整套简单的、多尺度的概率规则来应对这一挑战有了这些规则，他们创建了一个跨三个量级的纵向机器学习模型，允许研究超出实际测量极限的材料的统计特性

助理教授分类Duane Loh从新加坡国立大学物理系和生物科学系得出的研究结果发现，通过实验观察，可以观察到铌酸钾压电薄膜在长域边界上的结构，从而得出一组简单的概率规则这些集合可以分解为两个在不同长度尺度上占主导地位的集合——马尔可夫链和多核使用规则的集合创建特定材料样本的域边界集合

该团队将这些概率规则翻译成机器学习模型的解释问题的“词汇表”和“语法”，以生成和计算从实验测量中无法区分的样本中无序分布的大量频谱这一生成的模型提供了一个必要的条件来记录大规模的观察结果，而不是实际的实验或昂贵的第一原理计算

使用这个模型，作者发现以前没有检测到材料中的主要边界运动，这些运动是链式结构，显示了可以影响压电响应的直接因素这些结果证明了这些域的边界是最大熵这一突破表明，问题机器学习模型可以理解无序材料的复杂性，为了解其功能和设计开辟道路

这些研究结果于2023年10月18日发表在《科学进展》杂志上

这项研究继续了团队将统计学习与原子溶液电子显微镜整合到图像复杂材料中的工作第一作者、新加坡国立大学EricandWendySchmidtAIinScienceFellowers的贾东丹博士说：“我们的工作可以普遍扩展和应用于一些重要的系统，这些系统是控制材料物理性质的必要条件。”

该团队还设想对新发现的结构图案的功能和重要性进行进一步研究，以提高创始人的潜力，并设计复杂的材料

ProfLohaded，“这项工作补充了对其架构的早期组织动机的学习。它们共同推动了定制的人工智能（AI）公司以及提供前所未有的快速反馈的领域。”