《MATERIALS SCIENCE & ENGINEERING R-REPORTS》：Data-driven approaches for functional ceramics
编辑推荐：
本文综述了机器学习在功能陶瓷设计、性能预测及优化中的应用，涵盖介电、压电、铁电等材料体系，并探讨数据标准化、智能实验等挑战与机遇。
Jincheng Qin|Faqiang Zhang|Mingsheng Ma|Yongxiang Li|Zhifu Liu
中国科学院上海陶瓷研究所高性能陶瓷与超细结构国家重点实验室，中国上海201899
摘要
功能陶瓷因其多样的响应特性而在现代技术中发挥着关键作用。然而，由于复杂的成分-结构-性能关系和高维参数空间，其设计和性能优化仍然具有挑战性。数据驱动的方法，特别是机器学习（ML），通过实现快速的性能预测、知识发现和决策制定，为功能陶瓷的发现和发展提供了强大的工具。本文总结了机器学习在功能陶瓷应用方面的最新进展。首先介绍了端到端的机器学习工作流程，包括数据收集、特征提取、算法选择、模型评估和解释，然后按关键性能对主要类别的功能陶瓷（包括介电、铁电、压电、电热、导电、超导、磁性和发光材料）的性能预测进展进行了总结。除了性能预测之外，我们还强调了机器学习在材料分类、计算增强、工艺优化、模式识别、设备设计和故障分析中的应用。最后，讨论了数据标准化、智能实验、小数据学习、多模态融合、可解释AI、数字孪生和新型陶瓷探索等新兴挑战和机遇。本综述旨在为利用数据驱动策略实现高性能功能陶瓷的智能设计和应用的研究人员提供指导和启发。
引言
功能陶瓷是一类先进的无机非金属材料，具有特殊的物理或化学性能。与主要用于机械性能的结构陶瓷不同，功能陶瓷被设计为能够与外部刺激（如电场、磁场、光场、热场或声场）相互作用。根据主要的相互作用机制，功能陶瓷可以分为几类，包括介电[1]、[2]、铁电[3]、[4]、压电[5]、[6]、电热[7]、导电[8]、[9]、超导[10]、[11]、磁性[12]、[13]、发光陶瓷[14]，以及化学和生物响应陶瓷[16]。这些材料在从无线通信、计算、能量存储和转换系统到传感、环境监测和医疗设备[17]、[18]、[19]、[20]、[21]、[22]等广泛的应用中变得不可或缺。通过可控的化学成分和可调的结构设计，功能陶瓷可以展现出在广泛性能范围内的定制性能。对成分-结构-性能关系的基本理解对于下一代功能陶瓷的合理设计和优化至关重要。
实验、理论和计算方法长期以来一直支持功能陶瓷的进步，但在处理复杂材料系统和高通量需求时也遇到了局限性[23]、[24]、[25]、[26]、[27]、[28]。虽然传统的试错实验方法被广泛认为是可靠的，但它通常资源密集且效率低下，尤其是在面对高维设计空间和复杂的性能调节机制时。基于理想化物理或化学假设的经验和半经验模型具有高效率和良好的可解释性，但它们在扩展到多样或复杂材料系统时往往适用性有限且准确性降低。第一性原理计算和分子动力学模拟提供了宝贵的理论洞察和相对较高的预测能力。然而，这些方法计算要求高，并且可能在处理功能陶瓷中常见的复杂多组分系统时遇到困难[29]、[30]。数据驱动和AI驱动方法日益增长的科学影响力体现在2024年的诺贝尔物理学奖和化学奖上，这两个奖项分别表彰了在神经网络和蛋白质结构预测方面的开创性贡献。作为科学的第四范式，数据驱动的方法（如机器学习（ML）开辟了一条变革性的途径[23]。这些方法不是仅依赖于预定义的物理定律，而是从数据中学习，从而能够提取隐藏的相关性、快速进行目标预测和适应性决策。在功能陶瓷中，这些能力对于性能预测和材料设计特别有价值，因为成分、结构和加工之间的微妙相互作用往往决定了材料的性能。此外，将机器学习与领域知识、高通量计算和实验相结合的集成方法在功能陶瓷研究中越来越受欢迎[31]、[32]、[33]、[34]。值得注意的是，高通量实验技术生成了大量高质量、内部一致的数据集，有效支持了ML模型的训练[35]、[36]、[37]、[38]。这些协同策略不仅提高了预测准确性和物理可解释性，还实现了加速材料发现和优化的闭环工作流程。即将到来的第五范式——AI驱动的材料科学强调数据、模型和自主实验室的更深层次整合[39]、[40]。这种AI驱动的范式正在革新研究和开发工具，为理解材料机制和指导下一代功能材料的设计开辟了新的潜力。
在这个激动人心的时刻，我们提供了关于数据驱动设计、发现和优化功能陶瓷的进展和挑战的全面概述，特别关注机器学习方法的应用。我们将研究范围限制在那些宏观性能主要由晶格、缺陷和微观结构控制的物理响应决定的功能陶瓷上。因此，那些功能主要由表面化学反应或生化过程决定的材料（如催化、化学反应性和生物活性陶瓷）被排除在外，因为它们的基础机制和数据表示与块体物理功能材料不同。首先提供了材料科学中机器学习工作流程的一般介绍，包括数据获取、特征提取、算法选择、模型评估和解释。随后，按材料类别（介电、压电、电热、铁电、导电、超导、磁性和发光陶瓷）及其相关的关键性能指标，检查了数据驱动的性能预测进展。接下来的部分重点讨论了超出性能预测的数据驱动应用，包括材料分类、计算增强、工艺优化、模式识别、设备设计和故障分析。最后，讨论了关键挑战和新兴机遇，如数据标准化、智能实验、小数据学习、多模态融合、可解释AI和数字孪生。通过捕捉当前格局和未来方向，本综述旨在为希望利用数据驱动方法进行功能陶瓷智能设计和应用的研究人员提供路线图。
章节摘录
材料科学的范式转变
在不断发展的材料科学领域中，出现了五种范式，作为理解、发现和设计新型材料的基础框架：经验科学、理论科学、计算科学、数据驱动科学以及新兴的AI驱动科学（图1）[32]、[39]、[41]、[42]、[43]。每种范式代表了一种独特的探究模式，具有自己的方法论基础、优势和局限性。这些范式共同推动了...
介电陶瓷
介电陶瓷是现代技术的重要组成部分，在微波通信和能量存储应用中发挥着关键作用。在无线通信领域，微波介电陶瓷是5G网络、物联网（IoT）、卫星广播和智能交通系统（ITS）进步的基础[68]、[271]、[272]、[273]。这些陶瓷的关键性能指标包括低相对介电常数（εr），以减少信号延迟...
材料分类
材料分类是高通量材料发现的战略性门槛，将庞大的非结构化化学空间转化为可导航的稳定性和功能性领域。与量化性能大小的回归不同，分类解决了基本的前提问题：该结构在热力学上是否稳定？它是否具有所需的晶体对称性？这一能力对于功能陶瓷尤为重要...
挑战与前景
数据驱动方法在功能陶瓷研究中的加速整合正在开启前所未有的发现、设计和应用机会。然而，要充分发挥这些方法的潜力，需要克服许多持续存在且相互关联的挑战。首先，碎片化的数据生态系统、非标准化的流程以及高保真数据的固有稀缺性继续限制了AI驱动方法的可扩展性。
CRediT作者贡献声明
Jincheng Qin：撰写——审稿与编辑、撰写——原始草稿、可视化、方法论、调查、资金获取、正式分析、数据管理、概念化。Faqiang Zhang：撰写——审稿与编辑、调查、正式分析。Mingsheng Ma：撰写——审稿与编辑、调查、资金获取。Yongxiang Li：撰写——审稿与编辑、调查、正式分析。Zhifu Liu：撰写——审稿与编辑、监督、调查、资金获取
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系。Jincheng Qin报告称获得了中国博士后科学基金会的博士后奖学金项目的财务支持。Zhifu Liu报告获得了国家自然科学基金会的联合资金的财务支持。Zhifu Liu报告获得了上海学术研究领导者的项目的财务支持。Mingsheng Ma...
致谢
本研究得到了国家自然科学基金会（编号：U24A2052）、上海学术研究领导者项目（编号：23XD1404600）和中国博士后科学基金会博士后奖学金项目（编号：GZC20232825）的财政支持。M. S. Ma感谢上海东方人才计划（编号：QNKJ2024026）的支持。
Jincheng Qin目前是中国科学院上海陶瓷研究所的博士后研究员。他于2018年在中南大学粉末冶金研究所获得学士学位，2023年在中国科学院大学获得博士学位。他的研究兴趣包括材料信息学、低k微波介电陶瓷和低温共烧陶瓷（LTCC）技术。他已经发表了13篇研究论文...
