無監督機器學習幫助識別新型有利于鋰離子低障礙傳導的無機晶體

利物浦大學 Andrij Vasylenko 等人組成的研究團隊則利用已訓練的無監督機器學習模型來指導研究人員對化學元素組合的選擇。

該模型可以識別無機晶體材料元素組合之間復雜的相似性，通過對用來勘探合成材料的含兩個陰離子的季相場進行優先級排序來指導實驗中對于鋰固體電解質的識別。

這種機器學習與傳統實驗相結合的工作方法令研究人員發現了一種新的缺陷填充的纖鋅礦結構 Li3.3SnS3.3Cl0.7，并在該化合物的六方密堆積中發現了可以低屏障運輸鋰離子的通道。該研究于九月二十一日發表在 Nature Communications 上。

合成新的無機晶體化合物的艱巨性

在固態材料化學中，有關經實驗證實的穩定晶體化合物的信息是海量的。舉個例子，僅無機晶體結構數據庫（Inorganic Crystal Structure Database，ICSD）中就有 20 多萬條有關穩定的晶體化合物的記載。

無論從動力學還是熱力學的角度考慮，決定這些化合物穩定性的因素都是繁雜的。這些繁雜的因素說明對構成無機晶體化合物的組成元素而言其化學鍵的相互作用是多樣的。為了決定在諸多未知的相場中選擇哪些來進行研究，記住成千上萬個穩定晶體化合物的例子對研究者而言相當困難。

從相場層面考慮無監督機器學習模型的搭建

利物浦大學 Andrij Vasylenko 等人組成的研究團隊匯總了 ICSD 中所報道的有關相的信息（詳見文末該團隊使用的 ICSD 數據鏈接）以定義那些包含合成孤立晶體化合物的相場，從而指導合成元素的選擇。不同于之前機器學習對個體材料層面的關注，該團隊訓練了一個神經網絡模型對準備進一步研究的新的相場進行優先級排序。該排序取決于它們的元素組合與那些已知的能使材料具備穩定性的化學物質有多相似。

每個相場都由四個元素組成，每個元素又有 37 個化學特征（比如原子質量，價，離子半徑等），所以每個相場都可以被描述成一個 37*4=148 維度的向量。該向量的高維度特征會造成訓練數據的稀疏分布，因而該團隊采用了 VAE（variational auto encoder）維度削減法。該方法基于無監督神經網絡算法對高維度非線性相似性的量化。

該團隊的訓練數據集只包含 ICSD 中已被證實的四元化合物的相場，所以他們希望訓練出的模型能傾向于識別最有可能合成四元化合物的相場。該模型會對相場候選者的重構誤差（reconstruction error）進行排序，誤差越小，排序越高。

平均來講，該團隊的模型能夠在驗證數據集中有效重構 79.8% 的相場。合成化學家因而可以通過該排序對正序前幾位的候選化合物進行進一步的實驗探究 （詳見文末 VAE 模型代碼的鏈接）。

進一步實驗確定化合物并探索鋰離子的傳導

VAE 模型首先幫該團隊從候選元素組合中鎖定了 Li-Sn-S-Cl 場，基于此該團隊用探針結構計算鎖定了該場的一個區域進行合成探究。

接著他們用晶體結構預測（Crystal Structure Prediction）和盆地跳躍（Basin Hopping）優化算法對 Li-Sn-S-Cl 場的 244 個化合物進行能量圖景探索，從而鎖定了 Li3.3SnS3.3Cl0.7。

緊接著，該團隊使用了 Rietveld 細化粉末同步加速器X射線衍射和中子粉末衍射從而確定了 Li3.3SnS3.3Cl0.7 具有缺陷填充的纖鋅礦結構。

之后該團隊對鋰離子在該化合物中的傳導性和動力學特質進行了探索并鎖定了三個可能的衍射通道。

這三個衍射通道分別具有一維，二維和三維的特質。通過對比在同一相的三個通道的單粒子勢（One Particle Potential）值，該團隊發現一維通道（一維通道的單粒子勢值詳見圖 2d 綠色線，黑色線為二維通道 OPP）最有利于近液態鋰離子的傳導行為。

-End-