Thermodynamics-Informed Machine Learning for Energy Materials Discovery

想象一下你正在尝试预测天气。如果你只观察绝对零度下大气的一个冻结快照——在那里一切都是静止且无声的——你可能会认为云朵只是一个蓬松、静态的水团。但在现实世界中，热量让空气起舞，让风旋转，让云朵改变形状。在材料科学领域，科学家们使用强大的计算机来设计用于太阳能电池板、电池和催化剂等领域的新型材料。长期以来，他们一直依赖于一种“冻结快照”法，即计算原子在完美的、寒冷的晶格中静止不动的状态。这对于某些事物很有效，但它忽略了现实中最重要的一部分：热量。热量不仅仅是一层温暖的毯子；它是一场混乱的派对，改变了原子的运动方式、它们如何粘在一起，甚至改变了它们更偏好哪种形状。如果没有考虑到这种热力学之舞，我们的计算机预测往往无法与现实生活相匹配，因为在现实中，一切都是炽热且处于运动中的。

这篇论文认为，发现新能量材料的下一个重大飞跃需要我们停止观察冻结的快照，开始教我们的计算机理解热量的“热力学”。作者 Pol Benítez、Cibrán López 和 Claudio Cazorla 解释说，目前的机器学习模型就像是那些只学习过静态图像教科书的学生；它们非常擅长预测冻结结构的能量，但在猜测该结构在高温且晃动时会如何表现方面却表现糟糕。他们指出，对于许多材料来说，“赢家”并不是那个在零度时能量最低的材料，而是那个能最好应对热量带来的混乱的材料。该论文并不声称已经解决了这个问题；相反，它绘制了一份路线图，指导我们如何构建新一代的人工智能，使其不仅学习静态能量，还学习温度在使材料发挥作用中所扮演的混乱、美丽且本质的角色。

冻结陷阱 vs. 炽热现实

把一种材料想象成一座乐高城堡。在旧的方法中，科学家使用计算机通过观察积木在完全静止和寒冷时是如何组合在一起的，来寻找最稳定的城堡。这被称为“零温”近似法。这就像是在音乐停止时才去评判一场舞蹈比赛。问题在于，在现实世界中，音乐从未停止。原子在不断地振动、抖动并交换位置。这种运动产生了“熵”，这是一个形容系统混乱程度或无序程度的专业术语。

论文解释说，在高温度下，这种混乱实际上可以使一种结构变得更稳定。想象一个摇摇欲坠的积木塔，在静止时看起来应该会倒塌。但如果你摇晃桌子（加入热量），积木可能会抖动进入一种新的、更紧密的排列方式，从而比静止版本结合得更牢固。目前的机器学习模型通常完全忽略了这一点。由于它们是在静态、冻结的计算数据上进行训练的，因此它们认为这个摇晃的塔是不稳定的，并将其丢弃。但实际上，那个摇晃的塔可能才是室温下的冠军。作者认为，依赖这些冻结模型是一个主要的障碍，因为这会导致我们选出的材料一旦开启热量就会失效。

新计划：教 AI 感知热量

那么，我们该如何修复这个问题？论文建议我们需要将我们的 AI 从“静态摄影师”升级为“热力学导演”。与其仅仅预测单个静止结构的能量，新模型需要预测“自由能”，即静态能量加上热量和熵效应的结合体。

作者回顾了几种已经在尝试的不同策略，例如使用“机器学习原子间势”。你可以把这些看作是超级聪明的捷径。与其为每一个原子运动都进行极其缓慢且昂贵的数学计算（这就像试图逐一数清沙滩上的每一粒沙子），这些 AI 模型学习了沙子运动的规则，并能瞬间模拟整个沙滩。这使得科学家能够运行“分子动力学”模拟，这些模拟就像是原子在高温下跳舞的虚拟电影。通过这些电影，我们可以提取自由能，并看到哪些材料实际上是稳定的。

然而，论文警告说，即使是这些先进的工具也有其局限性。如果 AI 仅在平静、低温的舞蹈上进行训练，当音乐加速、原子开始剧烈跳跃时，它可能会感到困惑。作者提出了几个关键的修复方案：

1. 直接学习： 与其先模拟舞蹈然后再计算能量，我们应该教 AI 直接预测自由能，将温度作为一个变量进行学习，就像它学习原子的形状一样。
2. 熵感知： AI 需要理解熵（混乱因子）是一个会改变规则的真实存在。我们需要构建能够“感知”安静房间与拥挤派对之间差异的模型。
3. 主动学习： 这就像是一个知道自己哪里不懂的聪明学生。AI 不再是随机学习事实，而是会问：“嘿，我不确定这个特定的温度范围，让我们在那里运行一次模拟来学习更多。”这有助于填补数据缺失的空白。

为什么这很重要

论文强调了三个特定领域，在这些领域中，这种新方法可能会带来变革性的影响：

• 太阳能电池板（光伏）： 在钙钛矿等材料中，热量可以改变材料吸收光的颜色。如果我们只看冻结的版本，我们可能会认为这种材料是没用的，但当它变热时，它可能非常适合捕捉阳光。热量还可以改变电流通过材料的难易程度。
• 催化剂： 这些是加速化学反应的材料，例如在汽车排气系统或制造燃料的过程中。催化剂的表面不是一块僵硬的岩石；它是一个随温度变化而改变形状的动态景观。“活性位点”——即发生神奇反应的地方——可能只有在原子抖动时才会出现。如果我们基于冻结模型来设计催化剂，我们可能会错过真正的英雄。
• 固态电池： 这些电池使用固体材料而不是液体来移动离子（带电原子）。这些离子的运动通常受到材料结构振动的辅助。如果结构太僵硬（冻结），离子就无法移动。但如果结构在合适的温度下是“柔软”且摇摆的，离子就可以快速穿梭。目前的模型往往忽略了这种“柔软性”，因为它们没有考虑到热诱导的振动。

前方的道路

作者明确表示，我们还没有达到目标。他们承认获取训练这些新模型的数据既困难又昂贵。模拟热量需要大量的计算能力，而且我们没有足够的关于材料在不同温度下表现的案例来教 AI 所需了解的一切。他们还指出，目前的 AI 模型经常违反热力学规则，预测出一些物理上不可能实现的事情，比如负热容。

然而，论文是乐观的。它建议，通过将机器学习的速度与热力学的严格规则相结合，我们可以构建一种新型的人工智能，它不仅能猜测材料看起来是什么样子，还能理解材料在工作时会做什么。目标是从为冻结的世界设计材料，转向为现实的、炽热的、混乱的世界设计材料。这是一个从拍摄静态照片到导演全动态电影的转变，它承诺将开启一个能源材料的新时代，这些材料将比我们以前能设计的任何材料都更高效、更稳定、更强大。