材料基因組技術(shù)在新能源材料領(lǐng)域應(yīng)用進(jìn)展

林 海，鄭家新，林 原，潘 鋒

?

材料基因組技術(shù)在新能源材料領(lǐng)域應(yīng)用進(jìn)展

林 海，鄭家新，林 原，潘 鋒

（北京大學(xué)深圳研究生院新材料學(xué)院，廣東深圳 518055）

材料基因組融合了材料的高通量計(jì)算、高通量制備、高通量的檢測(cè)及數(shù)據(jù)庫(kù)系統(tǒng)，是材料研發(fā)的“范式革命”，以其深刻的科學(xué)內(nèi)涵、重大的應(yīng)用潛力，將加速新材料發(fā)現(xiàn)和應(yīng)用。本文重點(diǎn)討論材料基因組用于新能源材料的研發(fā)，來(lái)縮短新能源材料的“發(fā)現(xiàn)—研發(fā)—生產(chǎn)—應(yīng)用”周期，介紹國(guó)際上代表性的Materials Project和OQMD兩個(gè)材料基因組平臺(tái)，及一些重要的材料基因組計(jì)算技術(shù)，如材料構(gòu)象表征、高通量計(jì)算及篩選、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)技術(shù)、優(yōu)化算法和新型的高通量制備和表征技術(shù)等在新能源材料研發(fā)中的應(yīng)用，并對(duì)下一步材料基因組的發(fā)展提出了展望，如通過(guò)發(fā)展高精度高通量計(jì)算、利用人工智能開(kāi)發(fā)高通量實(shí)驗(yàn)系統(tǒng)和平臺(tái)，產(chǎn)生材料大數(shù)據(jù)，并通過(guò)智能計(jì)算充分利用好材料大數(shù)據(jù)，打造計(jì)算與實(shí)驗(yàn)融合的材料基因組大數(shù)據(jù)人工智能系統(tǒng)，加速新能源材料的發(fā)現(xiàn)與應(yīng)用。

材料基因組；新能源材料；高通量計(jì)算；高通量實(shí)驗(yàn)

材料是所有產(chǎn)業(yè)的基礎(chǔ)和先導(dǎo)，材料從研發(fā)到投入市場(chǎng)的時(shí)間跨度極長(zhǎng)，其關(guān)鍵在于長(zhǎng)期以來(lái)材料研發(fā)過(guò)度依賴(lài)科學(xué)直覺(jué)與試錯(cuò)式的實(shí)驗(yàn)經(jīng)驗(yàn)積累，且制備過(guò)程漫長(zhǎng)和充滿變數(shù)。變革材料的研究與開(kāi)發(fā)方式，提高材料從發(fā)現(xiàn)到應(yīng)用的速度成為世界各國(guó)共同的追求。2011年6月美國(guó)啟動(dòng)“材料基因組計(jì)劃”（Materials Genome Initiative，MGI），2014年12月，美國(guó)總統(tǒng)直屬的科學(xué)技術(shù)委員會(huì)頒布升級(jí)版《材料基因組計(jì)劃戰(zhàn)略規(guī)劃》[1]。其核心內(nèi)容是建立高通量材料計(jì)算方法、高通量材料實(shí)驗(yàn)方法和材料數(shù)據(jù)庫(kù)，其一個(gè)重要改變是實(shí)施“新材料的發(fā)現(xiàn)從設(shè)計(jì)開(kāi)始”，注重在原子與分子層面上認(rèn)識(shí)、設(shè)計(jì)和計(jì)算新材料，并通過(guò)數(shù)據(jù)庫(kù)收集已有材料的結(jié)構(gòu)與性能的相關(guān)性，指導(dǎo)新材料的設(shè)計(jì)和開(kāi)發(fā)。其目的和意義在于：①通過(guò)高通量篩選新材料，加快材料的研發(fā)進(jìn)程；②轉(zhuǎn)變新材料研發(fā)范式，節(jié)省人力、物力；③加快人類(lèi)對(duì)材料本質(zhì)與規(guī)律的認(rèn)識(shí)，再通過(guò)所認(rèn)識(shí)的材料本質(zhì)與規(guī)律指導(dǎo)新材料的設(shè)計(jì)、制備與檢測(cè)等研發(fā)，從而進(jìn)一步認(rèn)識(shí)材料的本質(zhì)與規(guī)律；④建造可靠的材料基因組數(shù)據(jù)庫(kù)（新材料大數(shù)據(jù)），實(shí)現(xiàn)資源共享，加速新材料的發(fā)現(xiàn)和應(yīng)用。應(yīng)該說(shuō)，2016年5月發(fā)表于正刊一篇利用實(shí)驗(yàn)廢棄數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘指導(dǎo)材料成功發(fā)現(xiàn)的封面文章[4]，是對(duì)材料基因組技術(shù)應(yīng)用有效性的最好詮釋[2]。

縮短新材料的“發(fā)現(xiàn)—研發(fā)—生產(chǎn)—應(yīng)用”周期，降低材料研發(fā)中的人力、物力成本是實(shí)施材料基因組計(jì)劃的根本目的，也是中國(guó)實(shí)現(xiàn)新材料領(lǐng)域跨越式發(fā)展的內(nèi)在需求，2016年開(kāi)始，我國(guó)首次將材料基因組工程與技術(shù)列入國(guó)家重點(diǎn)研發(fā)計(jì)劃，其主要包括三個(gè)方面的研究：共性關(guān)鍵技術(shù)的研發(fā)、典型材料的應(yīng)用和軟、硬件平臺(tái)建設(shè)。國(guó)內(nèi)專(zhuān)家提出，中國(guó)版材料基因組計(jì)劃必須圍繞“加速應(yīng)用”來(lái)開(kāi)展。選擇能源與環(huán)境材料、海洋工程材料、軍用材料和生物醫(yī)學(xué)材料等事關(guān)國(guó)家安全、能源安全和人民健康福祉等國(guó)家急需，又有一定基礎(chǔ)的關(guān)鍵材料進(jìn)行示范，盡快取得成果，為進(jìn)一步推廣普及到整個(gè)材料領(lǐng)域積累經(jīng)驗(yàn)[3]。其中，新能源材料領(lǐng)域有效利用材料基因組技術(shù)對(duì)指導(dǎo)、加速研發(fā)和應(yīng)用意義重大。

1 材料基因組技術(shù)發(fā)展應(yīng)用現(xiàn)狀

目前較為著名的材料基因組大規(guī)模高通量計(jì)算平臺(tái)和材料數(shù)據(jù)庫(kù)有勞倫斯伯克利國(guó)家實(shí)驗(yàn)室（LBNL）與MIT聯(lián)合的Materials Project、Duke的Aflow.org以及Northwest的OQMD等。

1.1 Materials Project

坐落于美國(guó)加利福利亞州硅谷北邊100公里不到的伯克利出現(xiàn)了許多使用先進(jìn)計(jì)算機(jī)技術(shù)來(lái)幫助材料研發(fā)生產(chǎn)的課題組、老師，得到了很多材料計(jì)算方法及研究成果。在這些課題組中，CEDER課題組最具影響力。在2017年，由于他在應(yīng)用計(jì)算材料設(shè)計(jì)及儲(chǔ)能材料（主要是鋰電池材料）與技術(shù)方面的研究，CEDER當(dāng)選為美國(guó)工程院院士。他同PERSSON課題組的materialsproject.org平臺(tái)在世界范圍內(nèi)有很大影響，其對(duì)自身的定位就是成為材料研究領(lǐng)域的谷歌。Materials Project包含了一個(gè)存儲(chǔ)信息量很大（有近6萬(wàn)個(gè)晶體結(jié)構(gòu)）的數(shù)據(jù)庫(kù)，可以存儲(chǔ)高通量材料性質(zhì)計(jì)算的結(jié)果，例如各種計(jì)算信息，包括能帶態(tài)密度信息，也包括電池材料的充放電曲線、相圖等，所有材料計(jì)算的研究工作者可以在這個(gè)開(kāi)發(fā)的平臺(tái)上下載結(jié)構(gòu)、搜索材料性質(zhì)、查看材料相圖、甚至可以利用這個(gè)網(wǎng)站的平臺(tái)搜索未知的材料。此外這個(gè)網(wǎng)站還開(kāi)放了數(shù)據(jù)庫(kù)接口，利用這個(gè)數(shù)據(jù)庫(kù)，大家可以使用寫(xiě)代碼的方式，搜尋篩選材料。在這樣的工作模式下，材料重復(fù)計(jì)算的次數(shù)被減少了，在做材料計(jì)算的時(shí)候，人為操作的次數(shù)變少，計(jì)算機(jī)智能化的判斷設(shè)計(jì)變多了，材料計(jì)算速度得到了極大的提升。

CEDER等早期主要是利用蒙特卡洛方法[4-5]計(jì)算有固定晶體結(jié)構(gòu)位點(diǎn)的金屬合金氧化物材料，發(fā)表了許多使用計(jì)算研究金屬合金氧化物中氧原子排布方式的文章[6-9]。接著，CEDER等[10-14]做了許多關(guān)于鋰電池材料的結(jié)構(gòu)和相的研究，在這些研究工作中，他們使用了一種從冶金學(xué)計(jì)算蒙特卡洛方法發(fā)展而來(lái)的團(tuán)簇展開(kāi)方法：這種方法是使用部分已知的密度泛函計(jì)算結(jié)果，對(duì)體系的總能量進(jìn)行擬合，然后再利用擬合的結(jié)果預(yù)測(cè)未知體系的總能的方法。該方法本身依賴(lài)于密度泛函理論計(jì)算，但又使用了一些統(tǒng)計(jì)的概念，加速了普通的密度泛函計(jì)算，也就是一個(gè)類(lèi)似與現(xiàn)在材料基因組計(jì)算方法的工具。其核心是犧牲一部分精度，換取更快的計(jì)算速度，然后在更快的計(jì)算中進(jìn)行材料的篩選。從2003年起，CEDER等[15-17]陸續(xù)發(fā)表了一些含有“數(shù)據(jù)挖掘”、“高通量計(jì)算”等標(biāo)題的論文?？梢哉f(shuō)這是最初的利用計(jì)算機(jī)技術(shù)來(lái)加速傳統(tǒng)材料工業(yè)發(fā)展的材料基因組技術(shù)構(gòu)想萌芽。就目前而言，該平臺(tái)在發(fā)展材料基因組技術(shù)上相對(duì)領(lǐng)先，他們有成熟的材料數(shù)據(jù)庫(kù)，有一些較為成熟的材料計(jì)算方法和材料篩選機(jī)理經(jīng)驗(yàn)積累，有許多成熟的研究材料基因組的科研人員，也有在灣區(qū)硅谷旁全世界最先進(jìn)的計(jì)算機(jī)思想的浸染，并且已經(jīng)在新能源材料領(lǐng)域有了很多相關(guān)的運(yùn)用材料基因組技術(shù)的成功案例[18-25]。但其離真正系統(tǒng)性指導(dǎo)實(shí)驗(yàn)，加速實(shí)驗(yàn)，還需要突破很多瓶頸。

1.2 Wolverton（OQMD）

美國(guó)西北大學(xué)材料與機(jī)械教授CHRIS WOLVERTON的研究組是一個(gè)具有交叉學(xué)科的研究組，其成員的背景非常多樣，包括材料、物理、化學(xué)、機(jī)械工程和數(shù)學(xué)。他們研究的內(nèi)容也非常廣泛，包括電池材料、儲(chǔ)氫材料、太陽(yáng)能材料、熱電材料和機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘等。WOLVERTON研究組的計(jì)算資源豐富，有1008個(gè)核的Linux機(jī)群，此外他們還與西北高性能計(jì)算系統(tǒng)合作，有大量機(jī)時(shí)可以使用。WOLVERTON受到了CEDER的Materials Project啟發(fā)，按照自己的思路于2013年建立了“開(kāi)放量子材料數(shù)據(jù)庫(kù)”（the open quantum materials database，OQMD）并免費(fèi)在http://oqmd.org上公開(kāi)[26]。這是一個(gè)基于密度泛函理論（DFT）計(jì)算的材料的熱力學(xué)和結(jié)構(gòu)的數(shù)據(jù)庫(kù)。這個(gè)數(shù)據(jù)庫(kù)有友好的網(wǎng)絡(luò)界面適合小規(guī)模訪問(wèn)，也提供API接口下載整個(gè)數(shù)據(jù)庫(kù)。目前該數(shù)據(jù)庫(kù)現(xiàn)在包含471857個(gè)條目，還包括一些全新的結(jié)構(gòu)。OQMD中除了給出材料的晶體結(jié)構(gòu)、能量、空間群、形成能、數(shù)據(jù)來(lái)源、能帶等性質(zhì)之外，清楚的顯示出材料的相圖是該數(shù)據(jù)庫(kù)的一大特色。

此外，該研究組從數(shù)千個(gè)DFT計(jì)算的數(shù)據(jù)庫(kù)（OQMD）中構(gòu)建了機(jī)器學(xué)習(xí)的模型，利用模型可預(yù)測(cè)任意化合物的熱力學(xué)穩(wěn)定性，而不需其它的任何輸入，而且比DFT計(jì)算的時(shí)間少了6個(gè)數(shù)量級(jí)。WOLVERTON等[27]使用該模型掃描了大約160萬(wàn)個(gè)新型三元化合物的候選組合，成功預(yù)測(cè)了4500種新型的穩(wěn)定材料。同樣利用機(jī)器學(xué)習(xí)的方法，WOLVERTON課題組研究了氧化鋯中摻雜劑穩(wěn)定性的力量驅(qū)動(dòng)機(jī)制問(wèn)題，他們創(chuàng)建一個(gè)聚類(lèi)排序建模（CRM）自動(dòng)化方法，用于發(fā)現(xiàn)大型性質(zhì)數(shù)據(jù)庫(kù)中的強(qiáng)大化學(xué)描述符，并將CRM應(yīng)用于氧化鋯摻雜劑的穩(wěn)定性研究。CRM作為一種通用方法，在實(shí)驗(yàn)和計(jì)算數(shù)據(jù)兩方面都可以進(jìn)行操作，識(shí)別摻雜氧化物的電子結(jié)構(gòu)特征，當(dāng)摻入氧化物溶解在氧化鋯中時(shí)能很好地預(yù)測(cè)氧化物的穩(wěn)定性[26]。他們還利用一種被稱(chēng)為元素替換法的高通量計(jì)算方法，用DFT計(jì)算了378種XYZ型（X=Cr、Mn、Fe、Co、Ni、Ru、Rh，Y=Ti、V、Cr、Mn、Fe、Ni，Z=Al、Ga、In、Si、Ge、Sn、P、As、Sb）的half-Heusler合金的電子結(jié)構(gòu)、磁性和結(jié)構(gòu)穩(wěn)定性。通過(guò)計(jì)算，得到了相圖，預(yù)測(cè)了全新的熱力學(xué)穩(wěn)定相和幾十個(gè)具有負(fù)的形成能的半導(dǎo)體、半金屬和接近半金屬[26]。應(yīng)該說(shuō)，該研究團(tuán)隊(duì)目前在數(shù)據(jù)庫(kù)建設(shè)、材料基因組技術(shù)方法開(kāi)發(fā)及應(yīng)用領(lǐng)域均具有一定的領(lǐng)先優(yōu)勢(shì)。

國(guó)內(nèi)在該方面已經(jīng)開(kāi)展相關(guān)研究的科研單位與院校有上海材料基因工程研究院、中國(guó)科學(xué)院寧波材料基因研究院、北京大學(xué)深圳研究生院新材料學(xué)院、北京計(jì)算科學(xué)研究中心、電子科技大學(xué)等。但與美國(guó)等先進(jìn)國(guó)家存在較大差距，比如缺乏獨(dú)立自主研發(fā)的高通量材料計(jì)算程序、缺乏高通量材料檢測(cè)設(shè)備和較為實(shí)用完備的材料基因數(shù)據(jù)庫(kù)[28]。中國(guó)科學(xué)院物理研究所陳立泉院士團(tuán)隊(duì)在中國(guó)獨(dú)立研究開(kāi)發(fā)和編著了自動(dòng)化高通量計(jì)算方法及軟件平臺(tái)，獲得了著作權(quán)，通過(guò)超級(jí)計(jì)算機(jī)，能夠?qū)o(wú)機(jī)晶體學(xué)數(shù)據(jù)庫(kù)中30萬(wàn)條數(shù)據(jù)中選擇含鋰材料，通過(guò)快速“鍵價(jià)和”方法及高精度第一性原理分子動(dòng)力學(xué)方法，計(jì)算材料的電子結(jié)構(gòu)、三維離子導(dǎo)電通道、離子遷移活化能，從而建立電解質(zhì)與電極材料的數(shù)據(jù)庫(kù)。通過(guò)該數(shù)據(jù)庫(kù)，進(jìn)一步建立數(shù)據(jù)挖掘方法，有利于新的固體電解質(zhì)材料的篩選，該高通量計(jì)算方法已經(jīng)預(yù)測(cè)了一種硫化物電解質(zhì)，并獲得實(shí)驗(yàn)驗(yàn)證[29]。上海材料基因工程研究院在張統(tǒng)一院士的帶領(lǐng)下，在數(shù)據(jù)庫(kù)建設(shè)、集成計(jì)算與軟件開(kāi)發(fā)、結(jié)構(gòu)與物性表征、服役與失效等基地建設(shè)方面進(jìn)行了大量基礎(chǔ)性工作。寧波材料基因工程研究院項(xiàng)曉東研究員（現(xiàn)為南方科技大學(xué)教授）發(fā)展了高通量組合材料實(shí)驗(yàn)及原位實(shí)時(shí)高通量組合材料實(shí)驗(yàn)技術(shù)，包括基于同步輻射大科學(xué)裝置發(fā)展的普適性原位實(shí)時(shí)高通量材料成分/結(jié)構(gòu)表征技術(shù)，該技術(shù)基于可調(diào)脈沖紅外激光和同步輻射微束白光X射線，可探明涵蓋時(shí)間、溫度、環(huán)境氣氛等工藝參數(shù)的材料結(jié)構(gòu)-成分-工藝相關(guān)性?；谄渌^(qū)表征探針或譜學(xué)測(cè)試工具，還可發(fā)展一系列功能豐富的原位實(shí)時(shí)高通量表征技術(shù)，從而充分發(fā)揮高通量組合材料制備與表征技術(shù)作為“新材料搜索引擎”的潛力。2014 年其團(tuán)隊(duì)所開(kāi)發(fā)的新一代組合材料芯片技術(shù)使材料的合成和篩選由“一鍋一炒”變?yōu)椤叭f(wàn)鍋同炒”，效率迅速提升1000～100000倍，從而把研發(fā)新材料的時(shí)間最短壓縮至一周[30]。吉林大學(xué)馬琰銘教授的團(tuán)隊(duì)[31-32]依據(jù)化學(xué)組分來(lái)開(kāi)展物質(zhì)結(jié)構(gòu)預(yù)測(cè)的相關(guān)理論和模擬方法，并結(jié)合第一性原理計(jì)算和高壓實(shí)驗(yàn)測(cè)量，探索高壓等限域條件下物質(zhì)的新奇物理與化學(xué)性質(zhì)，設(shè)計(jì)并合成新型非常規(guī)高壓相多功能材料，揭示結(jié)構(gòu)與宏觀性質(zhì)之間的內(nèi)在聯(lián)系，為發(fā)展新的物理理論奠定知識(shí)儲(chǔ)備?；诰w對(duì)稱(chēng)性的分類(lèi)檢索思想，結(jié)合粒子群多目標(biāo)優(yōu)化算法，引入成鍵特征矩陣，研究組提出并發(fā)展了CALYPSO（crystal structural analysis by particle swarm optimization）結(jié)構(gòu)預(yù)測(cè)方法，在此基礎(chǔ)上開(kāi)發(fā)了擁有自主知識(shí)產(chǎn)權(quán)的CALYPSO結(jié)構(gòu)預(yù)測(cè)程序。CALYPSO軟件包的輸入量是化學(xué)組分和外界條件（如壓力），通過(guò)結(jié)構(gòu)演化和總能的計(jì)算來(lái)合理確定物質(zhì)的結(jié)構(gòu)，并可以根據(jù)需要進(jìn)行功能材料（如超硬材料等）的結(jié)構(gòu)設(shè)計(jì)。CALYPSO軟件不僅可以開(kāi)展三維晶體的結(jié)構(gòu)研究，還可以開(kāi)展二維層狀材料和二維表面重構(gòu)以及零維團(tuán)簇的結(jié)構(gòu)研究，未來(lái)還可以開(kāi)展其它結(jié)構(gòu)現(xiàn)象豐富的熱點(diǎn)研究（如界面、過(guò)渡態(tài)、化學(xué)反應(yīng) 等）。

此外在世界其它國(guó)家和地區(qū)，材料基因組研究也在蓬勃發(fā)展。針對(duì)在高通量計(jì)算中遇到的結(jié)構(gòu)尋找高對(duì)稱(chēng)點(diǎn)和K點(diǎn)路徑的問(wèn)題，瑞士洛桑的科學(xué)家和日本東京大學(xué)的課題組[33]在materialscloud.org上發(fā)布了一個(gè)關(guān)于尋找結(jié)構(gòu)對(duì)稱(chēng)性的軟件，幫助了材料基因組的高通量計(jì)算的研究。在這個(gè)軟件包中，該課題組對(duì)于結(jié)構(gòu)的對(duì)稱(chēng)性、對(duì)稱(chēng)操作等性質(zhì)進(jìn)行了詳細(xì)地分析，并且以代碼的形式存在。此外，在materialscloud.org網(wǎng)站中，還有許多關(guān)于贗勢(shì)的信息和下載的渠道。雖然這個(gè)網(wǎng)站沒(méi)有直接的材料基因組的工作，但是這些基礎(chǔ)的工作也為材料基因組的工作提供了很好的基礎(chǔ)和平臺(tái)，加速了材料基因組的研究。在新加坡，涌現(xiàn)出來(lái)了大批量的高通量實(shí)驗(yàn)制備的工作。例如對(duì)于鋰電池材料的陽(yáng)極材料，新加坡科技設(shè)計(jì)大學(xué)的課題組[34]使用MoS（2<<3）與多壁碳納米管復(fù)合，制備出了大于1000 mA·h/g的陽(yáng)極材料。南洋理工的課題組[35]制備Pt-MoS2材料中也使用了高通量制備的方法，并在上發(fā)表論文。南洋理工與斯坦福大學(xué)的課題組[36]合作，針對(duì)Sn-Ge合金進(jìn)行了高通量的制備。在計(jì)算方面，南洋理工的課題組[37]使用現(xiàn)有的數(shù)據(jù)建模，篩選出了適用于對(duì)一氧化碳催化的材料。在針對(duì)部分元素在面心立方材料中雜質(zhì)擴(kuò)散和活化能的研究中，新加坡的高性能計(jì)算研究所使用高通量計(jì)算的方法，對(duì)于這類(lèi)材料的性質(zhì)進(jìn)行了分析[38]。在日本，材料基因組的研究在各個(gè)材料領(lǐng)域得到了很大的發(fā)展，在日本的國(guó)家先進(jìn)工業(yè)科學(xué)技術(shù)研究所使用材料計(jì)算的方法研究了自然界中不存在但是又能儲(chǔ)存很大熱量的糖醇類(lèi)的材 料[39]。此外，日本的亞太研究與技術(shù)中心與德國(guó)的弗勞恩霍夫材料力學(xué)研究院合作，使用高通量計(jì)算的方法篩選出了一類(lèi)永磁體的材料[5]。

可見(jiàn)，在世界各地，都有材料基因組學(xué)的研究，所涉及的范圍不僅僅在傳統(tǒng)的無(wú)機(jī)晶體材料，也有有機(jī)材料的研究。所使用的方法不僅僅在高通量計(jì)算、高通量篩選方面應(yīng)用廣泛，在高通量實(shí)驗(yàn)制備方面也各有特色。

2 材料基因組技術(shù)在新能源材料領(lǐng)域應(yīng)用情況

從目前現(xiàn)狀看，尚未發(fā)現(xiàn)在新能源材料領(lǐng)域有系統(tǒng)應(yīng)用材料基因組技術(shù)指導(dǎo)材料研發(fā)的典型成功案例。但利用材料基因組技術(shù)的單一或幾種方法組合指導(dǎo)和加速新能源材料研發(fā)的案例卻屢見(jiàn)不鮮。CEDER課題組[18]有一篇最具有代表性的就是搜索光催化水的材料的文章。他在所有的材料數(shù)據(jù)庫(kù)中，根據(jù)相圖，先搜索具有穩(wěn)定結(jié)構(gòu)的材料，以保證這種材料可以被穩(wěn)定的制備出來(lái)，然后根據(jù)光催化水的材料的性質(zhì)，搜索材料帶隙在1.3～3.6 eV之間的材料，然后對(duì)于材料對(duì)比能帶位置，保障材料的導(dǎo)帶和價(jià)帶在合適的位置，再通過(guò)實(shí)驗(yàn)驗(yàn)證這些被搜索出來(lái)的材料是否能被用作光催化分解水的材料，最終找到了16種具有這些光催化可能性的材料。同樣，WOLVERTON在研究如何抑制鋰離子電池的正極退化這一影響電池壽命的關(guān)鍵因素問(wèn)題時(shí)，采用了高通量篩選的方法，首先確定了涂層需要的物理性質(zhì)，然后再?gòu)腛QMD數(shù)據(jù)庫(kù)中的13萬(wàn)個(gè)含O的結(jié)構(gòu)中進(jìn)行篩選，最終篩選出了30種最可能的涂層的候選材料[40]。

在新能源材料研究領(lǐng)域，利用材料基因組高通量計(jì)算技術(shù)指導(dǎo)材料研發(fā)還處于初步發(fā)展階段，目前已知理論方面的應(yīng)用指導(dǎo)技術(shù)主要有以下幾類(lèi)。

（1）材料構(gòu)象表征（representation） 最早運(yùn)用在化學(xué)和生物領(lǐng)域，研究高分子的鏈?zhǔn)奖磉_(dá)以及原子之間的鍵長(zhǎng)鍵角表征。早在1985年，SMILES符號(hào)[41]就通過(guò)分子圖論方法建立了一套化學(xué)“語(yǔ)言”，成功的對(duì)化學(xué)分子進(jìn)行編碼。但是，由于晶體結(jié)構(gòu)具有周期重復(fù)性，且晶體結(jié)構(gòu)中原子有對(duì)稱(chēng)操作，使得晶體結(jié)構(gòu)的表象的唯一性要求提高，直到最近，才不斷有較成功的對(duì)晶體結(jié)構(gòu)的表象技術(shù)被報(bào)道。SCHüTT等[42]利用對(duì)徑向分布函數(shù)（pair radial distribution function）作為晶體結(jié)構(gòu)表象，并把這種表象作為機(jī)器學(xué)習(xí)模型的輸入，成功預(yù)測(cè)出大體系（約100原子）在費(fèi)米能級(jí)處的能態(tài)密度。FABER等[43]則在考慮周期性的條件下用傳統(tǒng)的庫(kù)侖矩陣（coulomb matrix）作為晶體結(jié)構(gòu)的表象，成功預(yù)測(cè)了材料的形成能。

（2）高通量計(jì)算及篩選（high-throughput calculation and screening）在近幾十年隨著密度泛函理論（density functional theory）的日漸成熟，科學(xué)家可以從量子力學(xué)角度出發(fā)精確有效地計(jì)算材料中原子間的電子相互作用，從而預(yù)測(cè)出材料的一系列性質(zhì)，從理論上指導(dǎo)材料設(shè)計(jì)。伴隨著強(qiáng)大的高性能并行計(jì)算能力以及高效率的算法，由高通量計(jì)算（high-throughput calculation）以及高通量篩選（high-throughput screening）驅(qū)動(dòng)的材料大數(shù)據(jù)技術(shù)應(yīng)運(yùn)而生。通過(guò)高通量計(jì)算得到大量的材料性質(zhì)，并從中高通量篩選出符合條件的材料，成為了材料科學(xué)家發(fā)現(xiàn)新材料的重要手段。CEDER等[44]通過(guò)高通量計(jì)算數(shù)千種復(fù)合物的充放電電壓和理論容量的關(guān)系，再進(jìn)行電子遷移能力、穩(wěn)定性和安全性等條件的篩選，成功預(yù)測(cè)了安全性和充放電電壓的關(guān)系，并預(yù)測(cè)了理想的電池正極材料。CASTELLI 等[45]通過(guò)穩(wěn)定性、能帶位置以及禁帶寬度等條件對(duì)具有立方鈣鈦礦結(jié)構(gòu)的共含有52種金屬元素的5400種半導(dǎo)體氧化物及氮氧化物進(jìn)行高通量篩選，成功識(shí)別現(xiàn)有的10種理想的氧化物和5種理想的氮氧化物，并預(yù)測(cè)出9種未知的組合材料作為高效率光解水材料。MADSEN等[46]通過(guò)高通量方法在無(wú)機(jī)晶體結(jié)構(gòu)數(shù)據(jù)庫(kù)（ICSD）中的570種含銻元素的復(fù)合物中自動(dòng)搜索新型熱電材料，發(fā)現(xiàn)具有津特爾（Zintl）相的LiZnSb是一種理想的n型熱電材料。

（3）機(jī)器學(xué)習(xí)（machine learning） 近年來(lái)人工智能被越來(lái)越多地應(yīng)用在各種領(lǐng)域，以期發(fā)現(xiàn)運(yùn)用傳統(tǒng)手段無(wú)法發(fā)現(xiàn)的現(xiàn)象和規(guī)律。CEDER等[23]通過(guò)貝葉斯概率統(tǒng)計(jì)方法，以無(wú)機(jī)晶體結(jié)構(gòu)數(shù)據(jù)庫(kù)中的晶體結(jié)構(gòu)數(shù)據(jù)作為訓(xùn)練集（training set），晶體構(gòu)型和元素種類(lèi)作為模型的輸入（input），在耗費(fèi)少量計(jì)算資源的情況下發(fā)現(xiàn)了209種新型三元氧化物。CORMA等[47]運(yùn)用支持向量機(jī)（Support Vector Machine）的方法，以沸石合成過(guò)程中的合成變量（synthesis variables）作為模型的參數(shù)（反應(yīng)初始凝膠的濃度、反應(yīng)過(guò)程、溫度和時(shí)間等），準(zhǔn)確地預(yù)測(cè)出合成產(chǎn)物的結(jié)構(gòu)特性和熱動(dòng)力學(xué)性質(zhì)。

（4）神經(jīng)網(wǎng)絡(luò)（neural network） 神經(jīng)網(wǎng)絡(luò)技術(shù)是一種模仿動(dòng)物大腦中神經(jīng)元行為特征并進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間的(非)線性的關(guān)系，達(dá)到處理復(fù)雜聯(lián)系的目的。在材料學(xué)領(lǐng)域，也有種種變量之間的復(fù)雜關(guān)系需要探尋，如晶體的構(gòu)效關(guān)系，材料合成過(guò)程中反應(yīng)變量與產(chǎn)物之間的關(guān)系等。MAYYAS等[48]運(yùn)用前向傳播（forward propagation）技術(shù)，以銅的質(zhì)量百分比和碳化硅的體積比例作為模型的輸入，密度、孔洞率和硬度作為模型的輸出，根據(jù)鋁銅基的碳化硅的結(jié)構(gòu)特性成功預(yù)測(cè)了化合物的物理性質(zhì)。MORADI等[49]通過(guò)人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）和多重線性回歸模型（multiple linear regression model），以電解質(zhì)濃度、溫度和施加電壓等反映參數(shù)作為模型的輸入，成功預(yù)測(cè)了納米介孔陽(yáng)極氧化鋁的介孔間距。SCHERAGA等[50]通過(guò)人工神經(jīng)網(wǎng)絡(luò)技術(shù)，在考慮多體極化效應(yīng)的基礎(chǔ)上，產(chǎn)生了液態(tài)水的力場(chǎng)，經(jīng)過(guò)蒙特卡洛模擬（Monte Carlo simulation），與實(shí)驗(yàn)值十分吻合。

（5）優(yōu)化算法（optimization algorithm） 優(yōu)化算法也已成為材料學(xué)家在化學(xué)空間中搜索新型復(fù)合物進(jìn)行材料發(fā)現(xiàn)與設(shè)計(jì)的一種重要技術(shù)方法。常見(jiàn)的優(yōu)化算法如遺傳算法（genetic algorithm）、進(jìn)化算法（evolutionary algorithm）和粒子群算法（swarm particle algorithm）等均已被應(yīng)用于尋找能量最低的穩(wěn)定晶體結(jié)構(gòu)。WANG等[51]運(yùn)用差分進(jìn)化算法（differential evolutionary algorithm）尋找低能量的穩(wěn)定團(tuán)簇結(jié)構(gòu)，在耗費(fèi)少量計(jì)算資源的情況下成功發(fā)現(xiàn)數(shù)十種鈷單質(zhì)團(tuán)簇和鉛單質(zhì)團(tuán)簇。HO等[52]利用自適應(yīng)遺傳算法（adaptive genetic algorithm）發(fā)現(xiàn)了硅酸鎂在分解過(guò)程中的多種相，并通過(guò)實(shí)驗(yàn)驗(yàn)證了這一發(fā)現(xiàn)。MA等[31]開(kāi)發(fā)了基于粒子群算法尋找能量最低結(jié)構(gòu)的結(jié)構(gòu)搜索程序CALYPSO，并成功預(yù)測(cè)了高壓條件下二氧化硅和碳酸鈣的穩(wěn)定相。

盡管目前各種方法或方法組合在新能源材料研究領(lǐng)域都有成功的應(yīng)用案例，但還遠(yuǎn)未達(dá)到材料基因組計(jì)劃提出的初衷，主要表現(xiàn)在：其一系統(tǒng)性不強(qiáng)，當(dāng)然這與材料基因組技術(shù)尚處于發(fā)展的初步階段，還不能實(shí)現(xiàn)工具、手段、方法、數(shù)據(jù)、平臺(tái)等的高度集聚和系統(tǒng)應(yīng)用有關(guān)。其二各項(xiàng)技術(shù)發(fā)展還有待加強(qiáng)。如：①對(duì)于性能要求非單一的材料研發(fā)，我們還不能完全通過(guò)計(jì)算來(lái)評(píng)估性能要求復(fù)雜的體系的材料性能；對(duì)于鋰電池，其性能需要在各個(gè)方面優(yōu)秀（容量、充放電速度、穩(wěn)定性等），我們依然不能利用材料基因組高通量計(jì)算直觀預(yù)測(cè)什么樣的材料能做出來(lái)性能好的電池；②對(duì)于全新材料的研發(fā)，我們的目前材料搜索還是基于現(xiàn)有的晶體數(shù)據(jù)庫(kù)，在現(xiàn)有已經(jīng)可以制備的材料中尋找具有某些性能的材料，或者僅僅做一些類(lèi)似于化學(xué)摻雜的工作，這樣就很難有革命性的成果；盡管現(xiàn)在已經(jīng)有了一些利用遺傳算法搜索材料結(jié)構(gòu)的計(jì)算軟件，但這些軟件會(huì)消耗大量的計(jì)算資源，并且不能穩(wěn)定地保證有新的材料找到。目前尚沒(méi)有利用這些軟件進(jìn)行高通量篩選的計(jì)算技術(shù)；③對(duì)于實(shí)驗(yàn)的計(jì)算模擬，我們還不能通過(guò)材料基因組技術(shù)來(lái)預(yù)測(cè)實(shí)驗(yàn)過(guò)程，目前我們還沒(méi)有成熟的計(jì)算模擬實(shí)驗(yàn)的方法，更多還是利用計(jì)算模擬對(duì)實(shí)驗(yàn)結(jié)果解釋驗(yàn)證，需要融合高通量計(jì)算與高通量實(shí)驗(yàn)，發(fā)揮材料基因組技術(shù)的系統(tǒng)優(yōu)勢(shì)。

3 材料基因組技術(shù)在新能源材料領(lǐng)域應(yīng)用進(jìn)展個(gè)案介紹

自2011年12月“香山科學(xué)會(huì)議”以來(lái)，我國(guó)就已開(kāi)始重視材料科學(xué)系統(tǒng)工程的發(fā)展，并在2016年首次在十三五期間設(shè)立國(guó)家“材料基因工程關(guān)鍵技術(shù)與支撐平臺(tái)”重點(diǎn)專(zhuān)項(xiàng)計(jì)劃。其中，“基于材料基因組技術(shù)的全固態(tài)鋰電池及關(guān)鍵材料研發(fā)”項(xiàng)目已于2016年8月獲得正式立項(xiàng)。該項(xiàng)目由北京大學(xué)深圳研究生院潘鋒教授為項(xiàng)目負(fù)責(zé)人，聯(lián)合國(guó)內(nèi)11家在材料計(jì)算領(lǐng)域和鋰電池領(lǐng)域具有很好研究基礎(chǔ)的單位共同參與研發(fā)[28]。作為項(xiàng)目牽頭單位，北京大學(xué)深圳研究生院新材料學(xué)院在新能源材料基因組技術(shù)和應(yīng)用領(lǐng)域取得了一定的積累，并形成了系統(tǒng)化的研發(fā)路線圖（圖1），已建設(shè)“北大新材料”公共服務(wù)的材料大數(shù)據(jù)平臺(tái)網(wǎng)站，以合作、開(kāi)放、共享理念，打造新能源材料基因組公共信息和數(shù)據(jù)服務(wù)平臺(tái)和新能源材料測(cè)試評(píng)價(jià)公共服務(wù)平臺(tái)。利用這些技術(shù)與資源，該團(tuán)隊(duì)在新能源材料領(lǐng)域和材料基因組技術(shù)應(yīng)用領(lǐng)域初步取得一系列的成果。

圍繞圖1，在高通量計(jì)算平臺(tái)建設(shè)方面，該團(tuán)隊(duì)目前已經(jīng)自主搭建了超過(guò)100Tflops計(jì)算能力的GPU+CPU新型高通量計(jì)算集群。自主開(kāi)發(fā)高通量材料計(jì)算軟件包和新的算法，包括改進(jìn)和完善了自主發(fā)展的基于GPU材料第一性原理計(jì)算程序PWmat，相比于目前較為廣泛使用的基于CPU的第一性原理材料計(jì)算程序VASP，具有更高的計(jì)算效率；開(kāi)發(fā)了一套結(jié)構(gòu)搜索程序SGO；開(kāi)發(fā)出一套更精確計(jì)算電子結(jié)構(gòu)的程序WKM。整體高通量計(jì)算平臺(tái)可實(shí)現(xiàn)≥102級(jí)的并發(fā)式高通量計(jì)算，目前圍繞儲(chǔ)能材料、光伏材料已高通量計(jì)算≥4000種材料。

在高通量計(jì)算方面，該團(tuán)隊(duì)目前聚焦于材料的機(jī)理研究（圖1），尋找決定材料性能的結(jié)構(gòu)基因，豐富數(shù)據(jù)庫(kù)中材料的相關(guān)機(jī)理性質(zhì)和物理模型。例如，他們通過(guò)高通量計(jì)算幾十種三元層狀材料結(jié)構(gòu)，首次系統(tǒng)和完備地揭示了三元NMC層狀正極材料的鋰離子脫嵌輸運(yùn)機(jī)理，發(fā)現(xiàn)三元材料（NMC）體系鋰離子擴(kuò)散動(dòng)力學(xué)與三元材料初始組元成分的關(guān)系，為今后三元材料鋰離子動(dòng)力學(xué)性質(zhì)的優(yōu)化和設(shè)計(jì)，及制備高性能的鋰電池材料提供了重要線索和理論指導(dǎo)[53]。該文被科學(xué)網(wǎng)選為2015年國(guó)內(nèi)自然科學(xué)領(lǐng)域十大關(guān)注度最高論文。最近他們通過(guò)大規(guī)模第一性原理計(jì)算和實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)三元層狀正極材料的穩(wěn)定性與晶格結(jié)構(gòu)中最不穩(wěn)定的氧有關(guān)，而氧的穩(wěn)定性又由其基本的配位單元決定，通過(guò)建立模型，系統(tǒng)地揭示了層狀材料中鋰的含量、過(guò)渡金屬元素的含量及價(jià)態(tài)、Ni/Li反位缺陷等因素對(duì)氧穩(wěn)定性的調(diào)控，為今后三元材料鋰離子電池穩(wěn)定性的優(yōu)化提供了重要線索和理論指導(dǎo)[54]。此外，融合理論計(jì)算和實(shí)驗(yàn)，該團(tuán)隊(duì)在CdTe薄膜太陽(yáng)電池及材料領(lǐng)域首次提出納米功能界面鈍化太陽(yáng)電池的物理模型，解決了CdTe材料高勢(shì)壘的自然屬性難以構(gòu)成連續(xù)導(dǎo)電通道的難題。理論設(shè)計(jì)并實(shí)驗(yàn)成功制備了ALD-Al2O3背接觸CdTe電池[55-56]和P型半導(dǎo)體背電極CdTe電池[57]，實(shí)現(xiàn)了太陽(yáng)電池效率10%以上的提升。該物理模型除了針對(duì)太陽(yáng)電池的指導(dǎo)意義，同時(shí)對(duì)其它光電材料與器件也具有直接借鑒的價(jià)值，成功制備了CdS光阻器件[58]。該團(tuán)隊(duì)還與香港城市大學(xué)、中國(guó)科學(xué)院化學(xué)研究所合作通過(guò)第一性原理和實(shí)驗(yàn)，在染料敏化太陽(yáng)能電池（DSSCs）TiO2與染料界面研究取得進(jìn)展[59]。

高通量檢測(cè)方面，該團(tuán)隊(duì)開(kāi)發(fā)了從電極活性材料、電池極片到全電池的高通量檢測(cè)方法。他們從單顆粒納米磷酸鐵鋰的循環(huán)伏安曲線的特征入手，建立納米磷酸鐵鋰單顆粒的電化學(xué)模型，用以快速分析表征鋰離子在納米磷酸鐵鋰納米顆粒擴(kuò)散和界面的電荷轉(zhuǎn)移過(guò)程，找出限制單顆粒電極材料電化學(xué)性能的主要因素[60]。通過(guò)創(chuàng)新性的將3D打印技術(shù)用于電池極片的研究，利用3D打印很好的控制極片的厚度和結(jié)構(gòu)，減小溶液擴(kuò)散的影響，從而迅速對(duì)不同特征的電池極片的性能進(jìn)行檢測(cè)分析[61]。進(jìn)而，通過(guò)模擬電動(dòng)汽車(chē)運(yùn)行時(shí)的工況電流為激勵(lì)源，以電壓為響應(yīng)信號(hào)，分析電池在這種大信號(hào)下的響應(yīng)，結(jié)果表明這種方法能很好的表征電池的SOC和SOH，使用多通道測(cè)試裝置就可以實(shí)現(xiàn)全電池性能的高通量快速檢測(cè)[62]。此外，他們與國(guó)際國(guó)內(nèi)相關(guān)大科學(xué)裝置合作，共同發(fā)展高通量檢測(cè)手段。例如，運(yùn)用快速激光光譜、同步輻射硬X-ray結(jié)構(gòu)測(cè)定、軟X-ray吸收譜等高通量檢測(cè)手段和大科學(xué)裝置的應(yīng)用，他們首次發(fā)現(xiàn)Cu2+摻雜Zn0.5Cd0.5S后自發(fā)變?yōu)镃u+，并促使S缺陷的生成。同時(shí)，Cu+和S缺陷將分別接受光生空穴和光生電子，從而提高光生載流子的分離能力。結(jié)合Cu摻雜提高可見(jiàn)光吸收的性質(zhì)，Cu摻雜樣品的光催化分解水產(chǎn)氫性能最高是未摻雜樣品的2.8倍，達(dá)到21.4 mmol/ (h·g)，在428 nm LED光照下的量子效率達(dá)到18.8%。研究成果第一次成功解釋了Cu摻雜提高Zn-Cd-S體系光催化性能的機(jī)理，且為目前光催化水分解產(chǎn)氫性能的世界一流水平[63]。

在數(shù)據(jù)庫(kù)建設(shè)方面，初步搭建了一個(gè)包含約30多萬(wàn)種晶體材料結(jié)構(gòu)數(shù)據(jù)與部分性能數(shù)據(jù)材料基因數(shù)據(jù)庫(kù)；數(shù)據(jù)庫(kù)材料的電子結(jié)構(gòu)計(jì)算采用的是目前最精確的HSE算法，這在世界上是獨(dú)一無(wú)二的。

從該團(tuán)隊(duì)的個(gè)案看，系統(tǒng)運(yùn)用材料基因組技術(shù)和范式開(kāi)展新能源材料及器件的研究，確實(shí)給團(tuán)隊(duì)科研突破帶來(lái)了更高的效率。團(tuán)隊(duì)領(lǐng)軍人潘鋒教授也因此連續(xù)成為2015年和2016年的Elsevier中國(guó)高被引學(xué)者。未來(lái)的工作中，該團(tuán)隊(duì)將投入更多的精力到高通量計(jì)算和篩選、材料大數(shù)據(jù)庫(kù)的建設(shè)，以及發(fā)展機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)技術(shù)等先進(jìn)的智能技術(shù)進(jìn)行數(shù)據(jù)挖掘，將材料基因組技術(shù)更深入地融合進(jìn)新能源材料研發(fā)的全過(guò)程，加速新材料的研發(fā) 進(jìn)程。

4 展 望

目前運(yùn)用材料基因組技術(shù)的單個(gè)方法或方法組合在加速新能源材料領(lǐng)域研究中不乏成功的應(yīng)用案例，但距離系統(tǒng)應(yīng)用材料基因組技術(shù)尚有許多提升空間。材料基因組的終極目標(biāo)是通過(guò)理論模擬和計(jì)算完成材料的“按需設(shè)計(jì)”并實(shí)現(xiàn)全程數(shù)字化的材料智能制造，是材料開(kāi)發(fā)的新模式，實(shí)質(zhì)上是一種高效率的新型研究方法、文化和理念。我們認(rèn)為主要有以下發(fā)展路徑。

4.1 提升材料基因組各環(huán)節(jié)技術(shù)水平

應(yīng)加大自主開(kāi)發(fā)材料基因組各環(huán)節(jié)如高通量計(jì)算、高通量實(shí)驗(yàn)技術(shù)和建設(shè)新能源材料大數(shù)據(jù)的數(shù)據(jù)庫(kù)平臺(tái)的力度，重點(diǎn)提升各個(gè)環(huán)節(jié)技術(shù)水平。如建立電聲相互作用模型和離子輸運(yùn)模型；開(kāi)發(fā)新型高效計(jì)算程序包和基于第一性原理的大規(guī)模并行計(jì)算程序；建立仿真模擬的從原子到器件的跨尺度多物理場(chǎng)模型。設(shè)計(jì)開(kāi)發(fā)基于組合化學(xué)方法的智能的高通量材料制備中心、基于微流體反應(yīng)器的高通量制備中心、基于多通道電化學(xué)沉積的原位制備與測(cè)試系統(tǒng)、基于源及基片控制的高通量磁控濺射制備裝置等的高通量材料制備技術(shù)?；?D打印，開(kāi)發(fā)用于鋰電池、薄膜光伏器件、電解水及燃料電池電極等的高通量器件制備技術(shù)。優(yōu)化發(fā)展儲(chǔ)能器件從材料單顆粒、極片、電池到系統(tǒng)的全方位多尺度多通道并行的新型基礎(chǔ)檢測(cè)方法及高通量檢測(cè)方法。建立新能源材料結(jié)構(gòu)化的數(shù)據(jù)庫(kù)系統(tǒng)，利用數(shù)據(jù)回歸和機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)挖掘分析，研究其構(gòu)效關(guān)系，加速預(yù)測(cè)和設(shè)計(jì)新型原器件及關(guān)鍵材料，從中優(yōu)選出性能優(yōu)秀的材料和器件結(jié)構(gòu)。同時(shí)要加快建設(shè)具有不同時(shí)間和空間分辨率的高精度和高通量以及極端條件（超高壓、超臨界、快速冷卻）的大科學(xué)裝置，突破傳統(tǒng)分析極限，揭示材料本質(zhì)，為新材料發(fā)現(xiàn)提供高精確和高通量檢測(cè)的支撐 平臺(tái)。

4.2 系統(tǒng)化整合材料基因組各環(huán)節(jié)技術(shù)

我們應(yīng)當(dāng)在發(fā)展新能源材料基因組技術(shù)的各種工具、手段、方法、數(shù)據(jù)庫(kù)環(huán)節(jié)過(guò)程中，有效整合實(shí)現(xiàn)各個(gè)資源的高度集聚，通過(guò)系統(tǒng)化應(yīng)用材料基因組技術(shù)，將各要素集合為大數(shù)據(jù)人工智能系統(tǒng)，搭建平臺(tái)、建立標(biāo)準(zhǔn)、建立完備的數(shù)據(jù)分享機(jī)制，通過(guò)開(kāi)放共享互聯(lián)網(wǎng)技術(shù)產(chǎn)生新能源材料大數(shù)據(jù)，開(kāi)發(fā)適合于學(xué)習(xí)和分析材料大數(shù)據(jù)的人工智能算法及軟件和硬件系統(tǒng)，提高材料發(fā)現(xiàn)和應(yīng)用的速度。

4.3 政府主導(dǎo)建設(shè)大科學(xué)裝置等重大公共科研服務(wù)平臺(tái)

材料基因組平臺(tái)要體現(xiàn)的是公共服務(wù)特性。材料基因組技術(shù)中高精度和高通量的檢測(cè)需要政府主導(dǎo)建設(shè)大科學(xué)裝置[如上海和北京同步輻射光源、國(guó)家（東莞）散裂中子源等]等重大公共科研平臺(tái)，結(jié)合互聯(lián)網(wǎng)和大數(shù)據(jù)的特點(diǎn)，我們認(rèn)為非盈利公共服務(wù)平臺(tái)是最能發(fā)揮其效率的構(gòu)架。為保障公共服務(wù)平臺(tái)能更好發(fā)揮合作、開(kāi)放、共享作用，最理想應(yīng)該是由政府主導(dǎo)，一家或數(shù)家科研機(jī)構(gòu)配合建設(shè)的新能源材料基因組研究院非盈利公共服務(wù)平臺(tái)，該公共服務(wù)平臺(tái)可作為今后整合與管理各類(lèi)分布式資源的新型協(xié)同創(chuàng)新科研實(shí)體。

4.4 市場(chǎng)應(yīng)用導(dǎo)向的全產(chǎn)業(yè)鏈服務(wù)創(chuàng)新

材料基因組計(jì)劃是以市場(chǎng)與應(yīng)用為導(dǎo)向的材料研發(fā)新理念，強(qiáng)調(diào)材料“發(fā)現(xiàn)—研發(fā)—生產(chǎn)—應(yīng)用”各個(gè)環(huán)節(jié)的融合與協(xié)同。因此，我們應(yīng)當(dāng)以材料基因組技術(shù)來(lái)整合資源，培育開(kāi)放、協(xié)作的新型合作模式，創(chuàng)新服務(wù)范式和組織構(gòu)架，組建政、產(chǎn)、學(xué)、研、用交融的全產(chǎn)業(yè)鏈的協(xié)同創(chuàng)新聯(lián)盟，以非盈利公共服務(wù)平臺(tái)研究院為核心，政府引導(dǎo)，發(fā)揮企業(yè)和社會(huì)資本多渠道建設(shè)大基礎(chǔ)設(shè)施平臺(tái)，有效配置資源，開(kāi)展國(guó)際合作與交流，服務(wù)和引領(lǐng)關(guān)鍵新能源材料研發(fā)，解決產(chǎn)業(yè)共性問(wèn)題，為企業(yè)提供系統(tǒng)解決方案，推進(jìn)新能源材料全產(chǎn)業(yè)鏈的跨越式發(fā)展。

[1] National Science and Technology Council. Materials genome initiative strategic plan[R]. USA, 2014.

[2] RACCUGLIA P, ELBERT K C, ADLER P D F, et al. Machine-learning-assisted materials discovery using failed experiments[J]. Nature, 2016, 533 (7601): 73-76.

[3] 汪洪, 向勇, 項(xiàng)曉東, 等. 材料基因組——材料研發(fā)新模式[J]. 科技導(dǎo)報(bào), 2015, 33(10): 13-19.

[4] DREYSSE H, CEDER G, FONTAINE D D, et al. Determination of effective pair interactions and segregation behavior at alloy surfaces[J]. Vacuum,1990, 41(1): 446-448.

[5] CEDER G, HUANG P, MENON S, et al. Ab initio calculation of the Cu-Pd one-dimensional long period superstructure phase diagram[J]. Acta Metallurgica Et Materialia,1990, 38(11): 2299-2308.

[6] FONTAINE D D, CEDER G, ASTA M. Thermodynamics of oxygen ordering in YBa2Cu3O[J]. Journal of the Less-Common Metals, 1990, 164(11): 108-123.

[7] CEDER G, ASTA M, CARTER W C, et al. Phase diagram and low-temperature behavior of oxygen ordering in YBa2Cu3Ousing ab initio interactions[J]. Physical Review B Condensed Matter, 1990, 41(13): doi: https: //doi.org/10.1103/PhysRevB.41.8698.

[8] CEDER G. A computational study of oxygen ordering in YBa2Cu3Oand its relation to superconductivity[J]. Molecular Simulation, 1994, 12(2): 141-153.

[9] FONTAINE D D, CEDER G, ASTA M. Low-temperature long-range oxygen order in YBa2Cu3O[J]. Nature, 1990, 343(6258): 544-546.

[10] VEN A V D, MARIANETTI C, MORGAN D, et al. Phase transformations and volume changes in spinel LiMn2O4[J]. Solid State Ionics, 2000, 135(1): 21-32.

[11] VEN A V D, CEDER G. Lithium diffusion mechanisms in layered intercalation compounds[J]. Journal of Power Sources, 2001(97/98): 529-531.

[12] DOMPABLO M E, MARIANETTI C, VEN A V D, et al. Jahn-Teller mediated ordering in layered LiMO2compounds[J]. Physical Review B Condensed Matter, 2001, 63(63): doi: https://doi.org/10.1103/ PhysRevB.63.144107.

[13] VAN D V A, CEDER G, ASTA M, et al. First-principles theory of ionic diffusion with nondilute carriers[J]. Physical Review B, 2001, 64(18): 607-611.

[14] DOMPABLO M E, VEN A V D, CEDER G. First-principles calculations of lithium ordering and phase stability on LiNiO2[J]. Physical Review B, 2002, 66(6): 340-351.

[15] CURTAROLO S, MORGAN D, PERSSON K, et al. Predicting crystal structures with data mining of quantum calculations[J]. Physical Review Letters, 2003, 91(13): doi: 10.1103/PhysRevLett.91.135503.

[16] MORGAN D. Data mining approach to ab-initio prediction of crystal structure[J]. MRS Proceedings, 2003, 804: 1-6.

[17] MORGAN D, CEDER G, CURTAROLO S. High-throughput and data mining with ab initio methods[J]. Measurement Science & Technology, 2004, 16(16): 296-301.

[18] WU Y, LAZIC P, HAUTIER G, et al. First principles high throughput screening of oxynitrides for water-splitting photocatalysts[J]. Energy & Environmental Science, 2012, 6(1): 157-168.

[19] MUELLER T, HAUTIER G, JAIN A, et al. Evaluation of tavorite-structured cathode materials for lithium-ion batteries using high-throughput computing[J]. Chemistry of Materials, 2011, 23(17): 3854-3862.

[20] CEDER G, MORGAN D, FISCHER C, et al. Data-mining-driven quantum mechanics for the prediction of structure[J]. MRS Bulletin, 2006, 31(12): 981-985.

[21] JAIN A, HAUTIER G, MOORE C J, et al. A high-throughput infrastructure for density functional theory calculations[J]. Computational Materials Science, 2011, 50(8): 2295-2310.

[22] HAUTIER G, JAIN A, ONG S P, et al. Phosphates as lithium-ion battery cathodes: An evaluation based on high-throughput ab initio calculations[J]. Chemistry of Materials, 2011, 23(15): 3495-3508.

[23] HAUTIER G, FISCHER C C, JAIN A, et al. Finding nature's missing ternary oxide compounds using machine learning and density functional theory[J]. Chemistry of Materials, 2010, 22(12): 3762-3767.

[24] HAUTIER G, FISCHER C, EHRLACHER V, et al. Data mined ionic substitutions for the discovery of new compounds[J]. Inorganic Chemistry, 2011, 50(2): doi: 10.1021/ic102031h.

[25] YANG L, CEDER G. Data-mined similarity function between material compositions[J]. Physical Review B, 2013, 88(22): 330-339.

[26] MEREDIG B, WOLVERTON C. Dissolving the periodic table in cubic zirconia: Data mining to discover chemical trends[J]. Chemistry of Materials, 2014, 26(6): 1985-1991.

[27] MEREDIG B, AGRAWAL A, KIRKLIN S, et al. Combinatorial screening for new materials in unconstrained composition space with machine learning[J]. Physical Review B, 2014, 89(9): 82-84.

[28] 林海, 林原, 潘鋒. “基于材料基因組的全固態(tài)鋰離子電池研究”獲國(guó)家立項(xiàng)[J]. 儲(chǔ)能科學(xué)與技術(shù), 2016, 5(6): 922-925.

[29] WANG X, XIAO R, LI H, et al. Oxysulfide LiAlSO: A lithium superionic conductor from first principles[J]. Physical Review Letters, 2017, 118(19): doi: https://doi.org/10.1103/PhysRevLett.118.195901.

[30] XIANG X, WANG H, XIANG Y, et al. Applications of combinatorial material chip technology in research and development of new materials[J]. Science & Technology Review, 2015, 33(10): 64-78.

[31] WANG Y, LU J, ZHU L, et al. Crystal structure prediction via particle swarm optimization[J]. Physics, 2010, 82(9): 7174-7182.

[32] WANG Y, LU J, ZHU L, et al. CALYPSO: A method for crystal structure prediction[J]. Computer Physics Communications, 2012, 183(10): 2063-2070.

[33] HINUMA Y, PIZZI G, KUMAGAI Y, et al. Band structure diagram paths based on crystallography[J]. Computational Materials Science, 2017, 128: 140-184.

[34] SHI Y, WANG Y, WONG J I, et al. Self-assembly of hierarchical MoS/CNT nanocomposites (2<<3): Towards high performance anode materials for lithium ion batteries[J]. Scientific Reports, 2013, 3: doi: 10.1038/srep02169.

[35] HUANG X, ZENG Z, BAO S, et al. Solution-phase epitaxial growth of noble metal nanostructures on dispersible single-layer molybdenum disulfide nanosheets[J]. Nature Communications, 2013, 4: 1444-1452.

[36] FAN S, LIM L Y, TAY Y Y, et al. Rapid fabrication of a novel Sn-Ge alloy: Structure-property relationship and its enhanced lithium storage properties[J]. Journal of Materials Chemistry A, 2013, 1(46): 14577-14585.

[37] YAN W, CHEN Y, YANG Y, et al. Development of high performance catalysts for CO oxidation using data-based modeling[J]. Catalysis Today, 2011, 174 (1): 127-134.

[38] ZENG Y, BAI K. High-throughput prediction of activation energy for impurity diffusion in fcc metals of Group I and VIII[J]. Journal of Alloys and Compounds, 2015, 624 : 201-209.

[39] INAGAKI T, ISHIDA T. Computational design of non-natural sugar alcohols to increase thermal storage density: Beyond existing organic phase change materials[J]. Journal of the American Chemical Society, 2016, 138(36): 11810-11819.

[40] AYKOL M, KIM S, HEGDE V I, et al. High-throughput computational design of cathode coatings for Li-ion batteries[J]. Nature Communications, 2016, 7: 13779-13790.

[41] WEININGER D SMILES. A chemical language and information system. 1. Introduction to methodology and encoding rules[J]. Journal of Chemical Information & Computer Sciences, 1988, 28 (1): 31-36.

[42] SCHUTT K T, GLAWE H, BROCKHERDE F, et al. How to represent crystal structures for machine learning: towards fast prediction of electronic properties[J]. Physical Review B, 2013, 89(20): 163-168.

[43] FABER F, LINDMAA A, VON LILIENFELD O A, et al. Crystal structure representations for machine learning models of formation energies[J]. International Journal of Quantum Chemistry, 2015, 115(16): 1094-1101.

[44] CEDER G. Opportunities and challenges for first-principles materials design and applications to Li battery materials[J]. MRS Bulletin, 2010, 35(9): 693-701.

[45] CASTELLI I E, OLSEN T, DATTA S, et al. Computational screening of perovskite metal oxides for optimal solar light capture[J]. Energy & Environmental Science, 2012, 5(2): 5814-5819.

[46] MADSEN G K H. Automated search for new thermoelectric materials: The case of LiZnSb[J]. Journal of the American Chemical Society, 2006, 128(37): 12140-12146.

[47] SERRA J M, BAUMES L A, MOLINER M, et al. Zeolite synthesis modelling with support vector machines: A combinatorial approach[J]. Combinatorial Chemistry & High Throughput Screening, 2007, 10(1): 13-24.

[48] HASSAN A M, ALRASHDAN A, HAYAJNEH M T, et al. Prediction of density, porosity and hardness in aluminum-copper-based composite materials using artificial neural network[J]. Journal of Materials Processing Technology, 2009, 209(2): 894-899.

[49] AKBARPOUR H, MOHAJERI M, MORADI M. Investigation on the synthesis conditions at the interpore distance of nanoporous anodic aluminum oxide: A comparison of experimental study, artificial neural network, and multiple linear regression[J]. Computational Materials Science, 2013, 79: 75-81.

[50] CHO K H, NO K T, SCHERAGA H A. A polarizable force field for water using an artificial neural network[J]. Journal of Molecular Structure, 2002, 641(1): 77-91.

[51] CHEN Z, JIANG X, LI J, et al. PDECO: Parallel differential evolution for clusters optimization[J]. Journal of Computational Chemistry, 2013, 34(12): 1046-1059.

[52] WU S Q, JI M, WANG C Z, et al. An adaptive genetic algorithm for crystal structure prediction[J]. Journal of Physics Condensed Matter An Institute of Physics Journal, 2014, 26(3): doi: 10.1088/0953- 8984/26/3/035402.

[53] WEI Y, ZHENG J, CUI S, et al. Kinetics tuning of Li-ion diffusion in layered Li(NiMnCo)O2[J]. Journal of the American Chemical Society, 2015, 137(26): 8364-8367.

[54] ZHENG J, LIU T, HU Z, et al. Tuning of thermal stability in layered Li(NiMnCo)O2[J]. Journal of the American Chemical Society, 2016, 138(40): 13326.

[55] LIANG J, LIN Q, LI H, et al. Rectification and tunneling effects enabled by Al2O3atomic layer deposited on back contact of CdTe solar cells[J]. Applied Physics Letters, 2015, 107(1): 699-7539.

[56] LIN Q, SU Y, ZHANG M J, et al. A novel p-type and metallic dual-functional Cu-Al2O3ultra-thin layer as the back electrode enabling high performance of thin film solar cells[J]. Chemical Communications, 2016, 52(71): 10708-10711.

[57] ZHANG M J, LIN Q, YANG X, et al. Novel p-type conductive semiconductor nanocrystalline film as the back electrode for high-performance thin film solar cells[J]. Nano Letters, 2016, 16(2): 1218-1223.

[58] PEI Y, PEI R, LIANG X, et al. CdS-nanowires flexible photo-detector with Ag-nanowires electrode based on non-transfer process[J]. Scientific Reports, 2016, 6: doi: 10.1038/srep21551.

[59] ZHENG J, ZHANG K, FANG Y, et al. How to optimize the interface between photosensitizers and TiO2nanocrystals with molecular engineering to enhance performances of dye-sensitized solar cells?[J]. ACS Applied Materials & Interfaces, 2015, 7(45): 66-76.

[60] HU J, LI W, DUAN Y, et al. Single-particle performances and properties of LiFePO4nanocrystals for Li-ion batteries[J]. Advanced Energy Materials, 2017, 7(5): doi: 10.1002/aenm.201601894.

[61] HU J, JIANG Y, CUI S, et al. 3D-Printed Cathodes of LiMn1?xFePO4nanocrystals achieve both ultrahigh rate and high capacity for advanced lithium-ion battery[J]. Advanced Energy Materials, 2016, 6(18): 1600856.

[62] QIAO R X, ZHANG M J, LIU Y D, et al. A novel real-time state-of-health and state-of-charge co-estimation method for LiFePO4battery[J]. Chinese Physics Letters, 2016, 33(7): 182-185.

[63] MEI Z, ZHANG B, ZHENG J, et al. Tuning Cu dopant of Zn0.5Cd0.5S nanocrystals enables high-performance photocatalytic H2evolution from water splitting under visible-light irradiation[J]. Nano Energy, 2016, 26: 405-416.

The development of material genome technology in the field of new energy materials

LIN Hai, ZHENG Jiaxin, LIN Yuan, PAN Feng

(School of Advanced Materials, Peking University Shenzhen Graduate School, Shenzhen 518055, Guangdong, China )

Material genome is the very important frontier technology in material field, which owns profound scientific content and significant application potential. In the last decades, materials science and technology realized revolutionary leap with the help of materials genome. This technology has been used in energy material fields and reduces the lifecycle of “Discovery-Research and Development—Production—Application”, which owns important significance of application. This paper introduced the progress of two typical materials genome platform of Materials Project and The Open Quantum Materials Database (OQMD), and concluded the guidance technology of material genome used in new energy materials, such as material conformational representation, high throughput calculation and screening, machine learning, nerual network technique and optimization algorithm. Especially put forward, people should increase the integration of high throughput calculation and experiments, and base this and combine industrial 4.0 concept, exerting system fusion effect of material genome technology, sharing big data self-worth, and finally build material genomic large data artificial intelligence system equipped with the ability of self-selection and self-evolution, and establish new model of material development of digital intelligence.

material genome; new energy material; high throughput calculation; high throughput experiments

10.12028/j.issn.2095-4239.2017.0077

TQ 073.2

A

2095-4239（2017）05-990-10

2017-05-31；

2017-06-14。

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016YFB0700600）。

林海（1965—），男，碩士，聚焦材料基因組高通量檢測(cè)技術(shù)、清潔能源材料與器件測(cè)評(píng)及面向產(chǎn)業(yè)應(yīng)用研究，E-mail：linhai@pkusz.edu.cn；

潘鋒，教授，聚焦新能源材料基因組科學(xué)與技術(shù)以及動(dòng)力與儲(chǔ)能電池及關(guān)鍵材料、新型太陽(yáng)能電池與關(guān)鍵材料的研發(fā)，E-mail：panfeng@pkusz.edu.cn.。