受高通量第一性原理计算和高通量实验的驱动，机器学习用来研究材料的性质成为重要的新工具。对于运用到材料设计上的机器学习模型来说，关键的问题是如何将组分和结构信息映射到一个固定长度的向量上，这个向量也被称为材料特征向量。然而为了得到好的性能，必须找到合适的特征向量。人工构造的特征向量具有很大的任意性，很难解释为什么要选择这些量而不是其它的量。此外，如果事先对要预测的物理性质没有先验知识的话，寻找合适的特征量本身是很困难的，特别是对于实验数据来说，准确的晶体结构参数往往无法确知。此外，对于涉及掺杂的材料，它们本身就可能没有一致的晶体结构。

最近，物理系倪军教授的研究组针对准确晶体结构数据缺乏的材料，提出了原子表卷积神经网络模型来预测材料的物理性质。这种模型只涉及化合物组分（只需要区分组分中的元素符号），不需要根据任何先验的物理背景知识来手动构建特征向量，而是从训练中自动学习所需的特征。利用该模型，对半导体材料的带隙进行了预测，精度超过了标准DFT计算。通过数据增强的方法，模型不仅能够准确预测超导体的超导转变温度，还能够区别超导体和非超导体。利用该模型，从现有数据库中筛选出了20种未被研究过的可能具有高超导转变温度超导材料。该模型对材料性质和高通量材料筛选提供了预测手段。

？

图 1. ATCNN-II加入了9,399非超导体进行训练，使得该模型可区分非超导体和超导体； 模型对非超导体分类失误率为2.2%，对超导体分类失误率为8.9%

目前，相关成果以“Atom Table Convolutional Neural Networks for an Accurate Prediction of Compounds Properties”为题发表在8月8日的npj Computational Materials 5, 84 (2019)。物理系博士生曾树明为文章的第一作者。该研究工作得到了国家自然科学基金和科技部的资助。

文章链接：https://www.nature.com/articles/s41524-019-0223-y