正文
Journal of Materiomics 第三卷第三期目录：
利用机器学习发现和设计材料
筛选具有良好性能的新型材料和定量结构活性关系（QSAR）的建模等问题是材料科学领域的热门话题。传统的实验和计算建模经常耗费巨大的时间和资源，并受到实验条件和理论基础的限制。因此，必须开发一种加速新材料发现和设计过程的新方法。近来，使用机器学习来发现和设计材料受到越来越多的重视，并在时间效率和预测精度方面都取得了很大的进步。在这篇综述中，首先概述了在材料科学中应用机器学习的典型模式和基本程序，并对主要算法进行了分类和比较。然后，对目前的机器学习研究状况在材料性能的预测、新材料发现和其他用途的应用情况进行了综述。最后，讨论了机器学习在材料科学中面临的问题，也提出了可能的解决方案，并预测了在未来研究的潜在方向。通过将计算研究与实验直接结合，希望能够深入阐明影响材料性质的参数，从而实现对材料发现和设计的更有效和有针对性的研究。
采用第一性原理计算和偏最小二乘法研究锂离子电池阴极体积变化的定量结构-性质关系
通过组合第一性原理计算和偏最小二乘法（PLS），报道了有关锂离子电池中阴极体积变化的定量结构-活性关系（QSAR）的公式。用第一性原理分别计算了14个具有尖晶石结构LiX
2
O
4
和14个层状结构LiXO
2
的氧化物阴极（X = 钛，钒，铬，锰，铁，钴，镍，铌，钼，铷，铑，钯，铊，铱），而PLS分析则基于第一性原理的计算数据。采用五种类型的描述符，共34个因子，从晶体结构、元素、组成、局部变形和电学水平描述了每种化合物的特征，用以获得QSAR公式。根据变量投影重要性得知，X
4 +
离子的半径和X八面体描述符对脱锂期间阴极的体积变化将产生最主要的影响。该分析有望应用于锂离子电池低应变阴极材料的虚拟筛选和组合设计。
一种用于锂离子电池新型有机电极材料——高通量筛选的精确理论方法
有机电极材料因具有柔性、轻质、在自然界中含量丰富以及较低的二氧化碳释放量等优势而受到了极大的关注。为了筛选出合适的电极替代材料，建立一个精确的高通量筛选理论模型就显得非常紧迫。目前，通过PBE-D2（DFT-D2，色散矫正密度泛函理论）计算得到的理论电势与实验值之间的误差仍然大于12%。因此，引入一种更为准确的计算方法就显得非常必要。在这项工作中，我们采用了范德华矫正和杂化密度泛函理论来研究已经报道的锂离子电池中的6种有机电极材料。结果表明利用色散矫正的杂化密度泛函理论，即HSE06-D2（Heyd-Scuseria-Ernzerhof，色散矫正），可以将平均误差控制在5%左右，从而更为精确地预测有机材料的电势。这种方法虽然会占用较多的硬件资源，并且极为耗时，但是可以作为高通量筛选程序的最后、最精确的步骤。
数据挖掘辅助下的材料研发与优化
回顾了在数据挖掘辅助下的材料研发与优化的最新进展，同时通过研究案例介绍了材料的数据挖掘（MDM）流程。MDM可以采用机器学习中定性或者定量的方法来完成材料的研发、设计以及优化。通过回顾枝状Co
3
O
4
超结构的可控合成、层状双氢氧化物的材料设计、电池材料的研发以及热电材料的设计，我们展示了数据挖掘辅助下的材料研发与优化中的最先进技术。研究案例的结果表明，MDM是用于材料研发和创新的强有力的手段，将在材料基因组计划及材料信息学的发展中扮演重要的角色。
