近日,材料基因组工程研究院欧阳润海与中国科学技术大学李微雪教授课题组合作,在《Science》期刊发表催化领域可解释机器学习突破性研究成果。中国科学技术大学李微雪教授为通讯作者,博士生王泰然和胡建钰及上海大学材料基因组工程研究院欧阳润海为共同第一作者。
科学发现往往是先从数据累积开始,然后找出数据间的函数依赖关系或模型,最后提炼出能解释这些数据的简单原理。“AI for Science”时代的到来为加速科学发现提供了新机遇。然而,迄今为止,对于真实世界的未知问题,人们一直心存疑虑:人工智能是否可以建立准确的、可推导的、具有强烈物理意义的简洁公式,并助力提出一般性科学规律?
研究团队利用前沿可解释机器学习符号回归算法SISSO,以催化领域金属/氧化物界面相互作用(MSI)强度为研究对象,从模型建立到物理意义分析、到公式推导验证、到最后提出决定催化领域著名实验现象“强金属-载体相互作用“(SMSI)的一般性判据原理,强有力地正面回答了以上问题。
研究团队汇总了多篇文献中的大量实验数据,从材料的基本性质出发,利用SISSO算法构建了多达300亿个数学表达式的特征空间,并基于压缩感知原理进行稀疏求解,结合领域知识和理论推导,最终为MSI建立了一个物理图像清晰、数值准确的控制方程。这一方程突破性地包含了金属-金属相互作用这一关键新物理量,揭示了其对载体效应的调控作用及金属-载体相互作用的本质。基于以上分析,研究团队进一步提出了决定催化领域SMSI实验现象的一般性判据原理。该判据原理具有很强的预测能力,迄今为止已报道的几乎所有金属/氧化物SMSI实验现象都可能纳入到该框架内,解决了困扰该领域几十年的科学难题。
这些研究成果将助力于高活性、高选择性、高稳定性催化剂的优化设计,有望加快新催化材料和新催化反应的发现,推动能源、环境和材料的绿色升级,助力社会的可持续发展。同时,该工作展示了人工智能在催化、化学和材料科学中的巨大潜力,为AI研究新范式如何变革自然科学研究提供了全新视角。通过人工智能技术,科学家们能够更快速、更准确地从庞大的科学实验数据中挖掘出潜在的数学模型,为解决长期未解的科学难题提供新的思路。
材料基因组工程研究院欧阳润海2013年博士毕业于中国科学院大学(大连化物所),师从催化界国际著名的理论学家李微雪教授,长期主导开发原创AI算法-SISSO。该算法始于欧阳润海在德国马普FHI研究所NOMAD实验室博士后研究,后在上海大学欧阳博士课题组及国际上其他课题组持续拓展,已成为材料和化学领域符号回归可解释机器学习主流方法之一。相关重要时间节点如下所示:
。
时间 | 算法/软件名称 | 说明 | 完成单位 | 参考文献 |
2024 | TorchSISSO | 基于Pytorch的SISSO | 美国俄亥俄州立大学 | Muthyala et al., arxiv.org/abs/2410.01752 |
2023 | SCMT-SISSO | 符号限制多任务学习符号回归 | 上海大学 | Wang et al., J. Am. Chem. Soc. 145, 11457 |
2022 | VS-SISSO | 变量选择协助符号回归 | 上海大学 | Guo et al., J. Chem. Theory Comput. 18, 4945 |
2022 | HI-SISSO | 层次符号回归 | 德国马普FHI | Foppa et al., PRL 129, 055301 |
2021 | SISSO++ | C++版本 | 德国马普FHI | Purcell et al., JOSS 7, 3960 |
2019 | MT-SISSO | 多任务学习符号回归 | 德国马普FHI | Ouyang et al., J. Phys.: Mater. 2, 024002 |
2018 | SISSO | 首次建立算法框架 | 德国马普FHI | Ouyang et al., Phys. Rev. Mater. 2, 083802 |
论文信息:
Tairan Wang, Jianyu Hu, Runhai Ouyang, Yutao Wang, Yi Huang, Sulei Hu, and Wei-Xue Li, Nature of metal-support interaction for metal catalysts on oxide supports. Science 386, 915-920(2024)
DOI: 10.1126/science.adp6034
https://www.science.org/doi/10.1126/science.adp6034