目录
1 背景
在人类历史发展的进程中，“材料”一直占有十分重要的地位。每一种重要材料的发现和广泛的使用，都会使人类支配和改造自然的能力提高到一个新水平，给社会生产力和人类生活水平带来巨大的变化，把人类的物质文明和精神文明向前推进一步。
1.1 材料研究的主要方法
材料的研究可以用“PSPP”图来概括，材料科学和材料工程。材料科学的主要目的是研究工艺、成分、结构和性能之间的关系；而材料工程的主要目的是，为了想得到目标性能，在限定的条件下，对工艺、成分、结构进行优化
1.2 材料研究发展的阶段
几千年来，在石器、青铜、黑铁时代，科学研究纯粹是依靠经验和直觉的。直到几个世纪前，发展到理论模型的范式，此阶段以数学方程式的形式表示各种“定律”为特征。在材料科学中，热力学定律就是一个很好的例子。但是随着时间的流逝，对于许多科学问题，理论模型变得过于复杂，这种分析解决方案不再可行。几十年前，随着计算机的出现，计算科学作为第三种范式变得非常受欢迎，这样就可以根据理论模拟复杂的现实世界，例如密度泛函理论（DFT）和分子动力学模拟（MD）。但是计算材料学受限于目前的计算能力，只能模拟一些简单的结构，对于复杂的系统，计算材料的应用相当有限。
1.3 目前材料发展的问题
- 新材料的开发速度跟不上人们对材料性能的需要。举个例子，人们对手机的要求越来越高，所以每年的新款iPhone手机都要增大电池容量、加强屏幕防刮性能，但是目前的材料开发速度已现疲态。
- 传统的实验或者模拟的研究方法价格高，耗时长。人工智能与其他领域的结合可以促使该领域飞跃式的发展，近年来这种学科交叉的方式越来越受到关注，比如生物信息学，但是在材料领域，信息学技术应用非常少。
- 材料领域中，结构和性能的关系往往是非线性的、复杂的。使用理论计算的方法和计算能难以得到“PSPP”关系。
1.4 材料信息学
由于材料发展受到的种种阻碍，必须要寻找新的材料研究方法，在这个背景下，材料信息学应运而生。“材料信息学”这个概念最早是在2006年12月由Materials Research Society提出，它将信息学原理应用于材料科学和工程，以更好地理解材料的使用、选择、开发和研究。这是一个新兴领域，其目标是实现各种材料数据的高速和稳健的采集、管理、分析和传播，大大减少开发、生产和部署新材料所需的时间和风险。
2 材料信息学主要研究方法
上图为材料信息学研究方法示意图。材料科学中的数据往往是异质的， 因此需要经过一些预处理，然后作为机器学习模型的输入，选择具体的预测评估标准后，通过数据驱动的方法建立机器学习模型，进而对未知区域进行预测，并且能够挖掘模型特征与结果之间的关系，最终获得对材料科学新的理解和知识。
3 应用示例
3.1 非晶态金属
非晶态金属指在原子尺度上结构无序的一种金属材料。它通常是有几种尺寸差别较大的原子组成，因此在熔融状态下*体积小、黏度大，阻碍了原子运动形成有序的结构。非晶态金属相比玻璃和陶瓷，强度更大，脆性较低；但是相比于金属，有更强的耐腐蚀性和疲劳抗性。理论上有几百万种非晶态金属，但在过去50年内，只发现了不到一千种。非晶态理论一直在发展，但是目前还没有可以准确预测形成非晶态金属的方法，而且也无法从失败的案例中快速改进模型。其主要原因就是非晶态金属的研究进展缓慢是因为它通常含有三种或以上的元素，并且能否形成非晶态与处理方式有关，因此种类十分多；此外，非晶态形成的机理非常复杂。
[Ren et al, 2018]针对以上问题，基于已知的发现，用随机森林算法建立了一种机器学习模型，在Co-V-Z三元合金系中预测了形成非晶态金属可能性高的区域，然后用高通量实验方法进行了验证；高通量实验的结果被用来训练第二代机器学习模型，精度提高了6倍，通过此机器学习模型，获取了一些新发现，对原有的物理-化学理论有了更深刻的认识。通过这种方法，比传统方法速度快了200倍。
3.2 高熵合金
高熵合金（High-entropy alloys）简称HEA，是由五种或五种以上等量或大约等量金属形成的合金。之所以叫 “高熵合金”，是因为高熵合金的混合熵比一般的合金大。高熵合金由于其独特的化学成分和优异的力学性能，近期广受关注。与传统以一种金属元素为主的合金相比，高熵合金的化学成分种类要多得多，因此研究起来难上加难。
为了寻找高硬度高熵合金，[Rickman et al., 2019]介绍了一种监督学习的方法，该方法结合了CCA（典型相关分析）和遗传算法（GA）,可以预测和寻找高硬度高熵合金。通过这个方法，找到了7种具有高硬度高熵合金，其中有一些合金的硬度甚至比原始数据库里的合金硬度还要高。
4 总结与展望
Web of science检索情况:通过搜索关键词materials informatics，结果如上图，被引用频次和发表物总数都在逐年增加。
材料信息学的优势：
- 减少材料的开发时间和成本；
- 可在没有很深厚的专业背景下进行，能够挖掘传统物理-化学方法未能找出的隐性关系，最终把理论更推进一步；
- 可以使用来自不同来源、不同种类的数据。
目前存在的问题：
- 准确度还需进一步提高，特别是在处理非正常数据的时候；
- 目前数据库共享程度还不够；
- 在其它领域有一些更先进的算法，比如，还没有应用到材料信息学上。
参考文献
[1] 郑子樵. 材料科学基础[J]. 2005.
[2] AGRAWAL A, CHOUDHARY A. Perspective: Materials informatics and big data: Realization of the “fourth paradigm” of science in materials science [J]. APL Materials, 2016, 4(5):
[3] REN F, WARD L, WILLIAMS T, et al. Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments [J]. Science advances, 2018, 4(4): eaaq1566.
[4] RICKMAN J M, CHAN H M, HARMER M P, et al. Materials informatics for the screening of multi-principal elements and high-entropy alloys [J]. Nat Commun, 2019, 10(1): 2618.