报告题目：数据驱动的高通量实验材料设计

主讲嘉宾：刘 轶 教授 (上海大学)

时间：2020年8月28日（周五）下午 15:00-17:00

地点：郭可信楼211会议室

报告简介

　　材料设计需要针对目标性能在巨大的成分/工艺参数空间中进行优化选择。传统的经验选择试错的实验方法耗时昂贵，难以高效完成全面系统的探索。高通量实验（HTE）具有多工位、并行化、自动化、小型化等特征比传统单工位实验效率更高。数据驱动的机器学习（ML）方法可高效处理复杂的材料构效关系，使得数据分析方法成为在实验、理论和计算之外的第四研究范式。本报告以硬质高熵合金CoCrTiMoW和6061铝合金的成分优化设计为例证明结合高通量实验和机器学习方法可双重加速多元合金的成分设计，整体研发效率可提高200倍以上。我们联合研发一系列全流程高通量合金制备实验设备，可多工位、批量自动化制备具有离散成分的体相合金样品，比传统单样品制备实验过程至少加速10倍。然后基于多种特征描述因子和机器学习算法的组合构建多个机器学习模型。在统计分析预测结果的基础上设计新合金成分，指导下一步实验过程直至模型预测精度与实验基本吻合。有效的选样策略可极大减少所需实验次数，与在全成分空间内的穷尽搜索相比至少加速20倍。最后通过利用机器学习模型预测结果构建完整的全局“成分-性质”和“特征-性质”关系或进行特征重要性分析，将“机器学习”提升到“向机器学习”阶段，实现从数据驱动设计再回到知识驱动设计的螺旋式的专业认知上升，从而在更深更广的范围内理解材料构效关系，指导新材料体系的性能优化和预测设计。本应用案例证明了材料基因组计划提出的低成本加快材料研发速度的可行性。机器学习指导下的高通量实验方法（ML-HTE）可成为加速多组元材料成分优化设计的有效通用策略。

主讲嘉宾简介  

　　刘轶教授1992年和1995年在东北大学分别获得学士和硕士学位，1997年在中国科学院金属研究所获得博士学位。然后分别在日本名古屋大学（1997-2002）、德国尤利希研究中心（2002-2003）、加拿大西安大略大学（2003-2005）、美国加州理工学院（2006-2012）从事计算材料学相关领域科学研究。2012年回国在上海理工大学材料学院任教授。2015年开始在上海大学理学院物理系任教授，任材料基因组工程研究院副院长。目前研究兴趣是基于材料基因组工程理念，结合第一性原理和分子动力学计算模拟、高通量实验和机器学习手段，研究金属合金（高温合金、高熵合金）、能源材料（碳氢燃料、含能材料）、纳米材料（碳、硅、III-V族半导体）、陶瓷（沸石）、催化材料（氧化物、金属）和聚合物（树形大分子）材料等的结构-过程-性能关系及其在复杂外界环境下的物理化学响应，在理解微观机制基础上进行新材料和新功能的成分工艺设计。 

　　  欢迎广大职工和研究生前来交流！