材料基因与大数据技术

背景意义

2011年6月美国总统奥巴马宣布启动材料基因组计划（MGI），将材料计算设计、数据处理以及综合的工业化过程列为政府重点投资的方向，预期通过集成材料计算与计算机技术，将现有的材料研发周期20~30年缩短到2~3年。十三五期间，我国启动了针对材料基因组的多项国家重大专项计划。研究团队汇聚了材料、计算机、化学、机械等多学科交叉人才，结合多尺度模拟和高通量计算，将机器学习及大数据技术用于催化材料及光电器件的理性设计，加速新材料和新工艺的研发。

多尺度模拟方法发展

我们发展了耦合第一性原理计算和微动力学的跨尺度方法，通过采用对局域化学环境敏感的态到态方法划分微观反应网络基元态，建立起与高阶非线性的全反应网络等效映射的线性化微反应动力学模型，揭示真实反应氛围下催化剂局域化学环境的本征活性。

微动力学反应竞争网络

真实反应氛围下活性预测

分子动力学势场发展

势函数是用于描述原子间相互作用关系的函数或模型，决定了分子动力学模拟的可靠性和效率，是目前大规模分子模拟的重要瓶颈。我们基于晶格反演修正型嵌入原子势（LI-MEAM）和高维神经网络势（HDNNP）等势函数模型，构建了精度可以媲美密度泛函理论的势函数，并以此开展金属、合金及相关材料的物理化学性质研究。

高维神经网络势（HDNNP）构建势函数

催化数据库构建

在稀贵金属资源有限和成本昂贵的现状下，建立稀贵金属催化材料专业数据库，进行大数据挖掘和材料共性分析，建立典型示范应用材料基于数据挖掘的性能预测模型，高通量筛选出具有特定性能的新材料并优化其性能。目前初步构建的数据库为北美，欧洲，南亚和东亚等地区的90个国家的科研工作者提供结构检索，月均访问量>5000次。

基于机器学习算法的器件优化

在材料科学研究中，影响材料性能的因素多且关联关系复杂，同时实验数据点有限，难以进行大数据分析。我们考虑了样本的不确定性，结合小样本机器学习方法与稀疏采样技术建立目标量与众多参数之间的映射、挖掘潜在规律，指导后续实验设计，加速高性能器件的开发。

器件性能多维度因素优化策略

基于EGO算法的小样本优化实例

已获成果

论文

	1.	J. Yang, Q. Hu, Y.W. Wen, K. Cao, X. Liu, C. Du, J. Zhang, R. Chen, B. Shan. “Unravelling Selective Growth Mechanism of AlOx with Dimethylaluminum Isopropoxide as Precursor in Atomic Layer Deposition: A Combined Theoretical and Experimental Study”, Journal of Materials Chemistry A, 2020, 8, 4308-4317 (2020).
	2.	Jiaqiang Yang, Lu Shi, Xiao Liu, Yanwei Wen, Kyeongjae Cho, Yunkun Zhao, Rong Chen, Bin Shan, “Unravelling origins of Pd ensembles’ activity in CO oxidation via state-to-state microkinetic analysis”, Journal of Catalysis 371, 276-286 (2019).
	3.	Yanwei Wen, Jiaming Cai, Jie Zhang, Jiaqiang Yang, Lu Shi, Kun Cao, Rong Chen,* and Bin Shan,* “Edge-Selective Growth of MCp2 (M=Fe,Co,Ni) Precursors on Pt Nanoparticles in Atomic Layer Deposition: a Combined Theoretical and Experimental Study”, Chem. Mater. 31, 101–111(2019).
	4.	J.Q. Yang, J. Zhang, X. Liu, X.B. Duan, Y.W. Wen, R. Chen* and B. Shan,* “Origin of the superior activity of surface doped SmMn2O5 mullites for NO oxidation: A first-principles based microkinetic study”, Journal of Catalysis 359 122–129 (2018).
	5.	Jie Zhang, Xiaolin Liu, Yanwei Wen, Lu Shi, Rong Chen, Huijun Liu, and Bin Shan, “Titanium Trisulfide Monolayer as a Potential Thermoelectric Material: A First-Principles-Based Boltzmann Transport Study”. ACS Appl. Mater. Interfaces 9, 2509−2515 (2017).
	6.	B. Zhou, W. Luo, J.Q.Yang, X.B. Duan, Y.W. Wen, H.M. Zhou, R. Chen, B. Shan, “Thermal conductivity of aligned CNT/polymer composites using mesoscopic simulation”, Composites Part A, 90,410-416 (2016)。
	7.	Chaoji Chen, Yanwei Wen, Xianluo Hu,* Xiulei Ji, Mengyu Yan, Liqiang Mai, Pei Hu, Bin Shan and Yunhui Huang, “Na+ intercalation pseudocapacitance in graphene-coupled titanium oxide enabling ultra-fast sodium storage and long-term cycling”, Nature Communications, 6, 6929 (2015)
	8.	Xiao Liu, Yanwei Wen, Zhengzheng Chen, Bin Shan, and Rong Chen, “First-principles study of the sodium adsorption and diffusion on phosphorene”, Phys. Chem. Chem. Phys., 17, 16398 (2015).

软件著作权

单斌，杨家强，程旭，陈蓉，文艳伟，态到态微反应动力学软件，(登记号：2019SR0633429)