arrow
返回

Materials design with target-oriented Bayesian optimization

delete2025-07-03
delete0
delete
OA
AI
Y
Yuan Tian
T
Tongtong Li
J
Jianbo Pang
周
周玉美 (Yumei Zhou)
薛
薛德祯 (Dezhen Xue) *
X
Xiangdong Ding *
T
Turab Lookman *
DOI:10.1038/s41524-025-01704-4delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
基于贝叶斯优化(BO)的材料设计通常专注于通过估计未知函数的极值来优化材料性能。然而,材料通常在特定值下具有优良性能,或在特定条件下表现出有效响应。我们提出了一种目标导向的贝叶斯优化方法,以高效地推荐具有目标特定性能的材料。该方法通过允许材料性能从高于或低于目标值的两侧逼近目标值来采样潜在候选材料,从而减少实验迭代次数。我们将目标导向的贝叶斯优化与其他贝叶斯优化方法在合成函数和材料数据库上的性能进行了比较。数百次重复试验的平均结果表明,目标导向的贝叶斯优化在达到相同目标时所需的实验迭代次数更少,尤其是在训练数据集较小的情况下。我们进一步采用该方法,在3次实验迭代中发现了具有热响应特性的形状记忆合金Ti0.20Ni0.36Cu0.12Hf0.24Zr0.08,其转变温度差仅为目标温度的2.66 °C(温度范围的0.58%)。我们的方法为优化目标特定性能提供了定制化解决方案,有助于加速具有预设性能材料的开发。
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

•简要概述

2025年07月,Yuan Tian; Tongtong Li; Jianbo Pang; Yumei Zhou; Dezhen Xue; Turab Lookman在 npj Computational Materials 在线发表论文《Materials design with target-oriented Bayesian optimization》,该研究设计了“目标导向型贝叶斯优化”新方法,攻克了材料研发中难以精准获得特定性能值(如某精确温度、某固定能量)这一长期难题。通过重构算法的决策逻辑,让计算机主动寻找“离目标值最近”的候选材料,而非传统上盲目追求“性能最强”。显著减少了实验试错次数,在仅3轮实验中就成功研制出相变温度与目标值偏差仅2.66°C的新型形状记忆合金。为面向实际应用需求(如恒温阀、光伏带隙匹配)的材料定制化开发提供了高效新路径。

•研究摘要

新材料研发常面临“不是越强越好,而是刚刚合适”的现实需求:太阳能电池需带隙恰好1.5电子伏特以高效吸光,心脏支架需在37°C精准变形,催化剂氢吸附能需趋近零才能最活跃——这些都不是求“最大/最小”,而是求“刚刚好”。传统智能算法多聚焦找性能极值,强行把“差值”当新目标来优化,反而容易跑偏。本研究提出“目标导向型贝叶斯优化”,像一位经验丰富的老师傅,不一味挑“最好”的料,而是紧盯目标值,从上下两个方向同时逼近,兼顾预测准确性和不确定性。在催化剂筛选和高温形状记忆合金实验中,该方法仅用3次合成即锁定437.34°C相变温度的合金,比常规方法节省一半以上实验量,大幅缩短“想法→样品”周期,让按需定制材料真正可行。

•背景介绍

材料智能设计的核心优势在于用计算代替试错,大幅压缩研发周期与成本,广泛应用于电池、芯片、医疗器械等前沿领域。然而,现有主流算法大多默认“性能越极端越好”,比如拼命找硬度最高或导电最强的材料,却难以应对“必须是440°C才管用”的阀门合金、“带隙严格落在1.48–1.52eV之间”的光伏材料等刚性需求;策略A虽能快速收敛到最优值,却常因目标变形而错过精准点;策略B虽可约束范围,又极易受初始数据偏差影响,小样本下表现极不稳定。因此,如何让AI既聪明又“听话”,在有限实验中稳准狠地命中指定数值,成为加速材料落地的关键瓶颈。

•关键亮点
  1. 目标直击式采样:不再泛泛寻找“最好材料”,而是让算法像狙击手一样锁定“离目标最近”的候选者,兼顾预测值与误差范围,避免盲目试探→大幅降低试错风险→在合成实验中仅3轮即达成2.66°C微小偏差(相当于一根头发丝厚度的温控精度)。
  2. 双向动态逼近:允许材料性能从目标值上方或下方同时靠近,类似电梯既可从10楼向下、也可从30楼向下精准停靠20楼→突破单向优化局限→在小数据集(仅占全空间0.046%)下仍保持高鲁棒性。
  3. 小样本高效启动:训练数据少至原始数据库的5%时,仍比传统方法快1–2倍达成目标→相当于用10份菜谱试做,就能做出媲美百份菜谱调教出的“黄金口味”→特别适合稀缺、昂贵、难制备的新材料探索。
•展望与总结

基于目标导向型贝叶斯优化,通过重构期望改进函数并引入双向距离约束,实现了对特定性能值的高精度、低迭代定位,该技术具备“目标响应精准”+“小数据鲁棒性强”的双重优势。实验证明在高温合金相变温度调控中获得2.66°C偏差(仅为全范围0.58%),在催化剂氢吸附能筛选中4轮内达成0.21eV平均误差。该研究不仅解决了“按需定制材料”的工程卡点,更通过将“目标值”作为核心优化变量的方法论创新,为生物医药(如靶向药物载体响应温度)、能源器件(如相变储能材料触发点)、柔性电子(如应变传感器阈值)等依赖精确物性参数的领域提供普适性加速引擎。

学者 查看更多内容

期刊

npj Computational Materials 封面图
npj Computational Materials
IF:
11.9
论文数:
2.4K
被引数:
2.4W

机构

M
materials genome institute
学者数:
0
论文数: 4
被引数: 18
S
State Key Laboratory for Mechanical Behavior of Materials
学者数:
19
论文数: 5
被引数: 25
S
school of materials science and engineering
学者数:
0
论文数: 1
被引数: 959
学者 查看更多机构
引用论文

引用论文

Efficient sampling for decision making in materials discovery*
err2021-05-01
err0
PREAI
errYuan Tian; Turab Lookman; Dezhen Xue
err分享
err收藏
HEBO: An Empirical Study of Assumptions in Bayesian Optimisation
err2022-07-11
err0
errOAAI
errAlexander I. Cowen-Rivers; Wenlong Lyu; Rasul Tutunov; Zhi Wang; Antoine Grosnit; Ryan Rhys Griffiths; Alexandre Max Maraval; Hao Jianye; Jun Wang; Jan Peters; Haitham Bou-Ammar
err分享
err收藏
err1998-01-01
err0
PREAI
errDonald R. Jones; Matthias Schonlau; William J. Welch
err分享
err收藏
Machine learning for alloys合金的机器学习
err2021-07-20
err343
PREAI
errHart, Gus L. W.; Mueller, Tim; Toher, Cormac; Curtarolo, Stefano
err分享
err收藏
Information-Theoretic Regret Bounds for Gaussian Process Optimization in the Bandit Setting
err2012-05-01
err0
errOAAI
errNiranjan Srinivas; Andreas Krause; Sham M. Kakade; Matthias W. Seeger
err分享
err收藏
Inferring energy-composition relationships with Bayesian optimization enhances exploration of inorganic materials
err2024-02-07
err1
errOAAI
errVasylenko, Andrij; Asher, Benjamin M.; Collins, Christopher M.; Gaultois, Michael W.; Darling, George R.; Dyer, Matthew S.; Rosseinsky, Matthew J.
err分享
err收藏
学者 查看更多内容