智能光电材料与传感技术研究获进展—论文—科学网
智能光电材料与传感技术研究获进展
压电光子学材料的智能应力发光示意图
近日，中国计量大学光电学院和深圳大学物理与光电工程学院、香港理工大学应用物理学系开展合作，在智能光电材料与传感技术领域取得重要进展。中国计量大学赵英杰在教授白功勋和徐时清的共同指导下，在《先进功能材料》期刊上发表了题为《面向力-光能量转换和传感应用的发光离子掺杂四元压电光子学材料》的研究论文。
智能材料是一种能感知外部刺激，并且能够做出响应的新型功能材料，是支撑人工智能技术发展的重要基础。特别是，智能发光材料在外部刺激下发光会发生改变，比如温度、湿度、应力、pH、电场或磁场、光照或化学物质等。这种光信号变化对于诸如光电传感，生物检测，信息防伪，数据存储等应用至关重要。
其中，智能应力发光材料与普通发光材料具有显著不同，通过力的激励能够直接发光，是一类智能和清洁的发光材料。由于无需光照和通电，智能应力发光材料在清洁光源和可视化动态应力无源探测方面具有独特的优势。
针对高效能量转换智能光学传感材料的发展需求，中国计量大学光电材料与器件研究院设计开发了一系列激活离子掺杂的四元压电半导体材料。基于晶体场与激活离子能级之间的耦合机制，将两种发光离子同时引入压电功能基质，构建受激电子跃迁的多路复用，成功合成了高效的多模发光材料。系统地研究了新型智能发光材料的光学性能，实现了紫外线辐射，近红外激光激发和应力激励的同时响应，并展现出不同的光学特性和优异的复现性。
该类智能发光材料在应力的作用下极为敏感，无需光照和通电，约5N的手指按压力作用下，发光便能达到肉眼可见的亮度。这种机械力与发光之间的直接能量转换，在清洁光源和可视化动态应力无源探测、建筑物结构安全监测、机械部件的受力应变分析、信息防伪、机器人等诸多领域具有独特的应用前景。另外，基于近红外光激发上转换发光实现了高灵敏度的温度检测。团队研究表明，所开发智能发光材料在先进光学传感检测中具有潜在应用价值，对于光电子器件的功能化和集成化具有重要意义。
该项课题研究得到了浙江省自然科学基金重点项目，国家自然科学基金面上项目，国家自然科学基金联合基金重点项目以及国家重点研究发展计划的支持。（来源：中国科学报 崔雪芹）
相关论文消息：https://doi.org/10.1002/adfm.202010265
版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，网站转载，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱：shouquan@stimes.cn。人工智能在材料科学的应用
人工智能在材料科学的应用1.绪论在传统的新材料开发方式及材料制作工艺中，材料科学研究者往往是通过实验与模拟的方法进行研发，所需要的工程量十分巨大并且获得的目标材料需要依赖一定的经验与运气，如何提供材料的研发效率成为了材料科学研究者的首要目标。而随着人工智能技术在众多领域的出色表现，越来越多的研究者也投入人工智能与材料科学的研究，并在两者的结合中取得了众多研究成果。
2016年5月，Nature将一篇机器学习算法改变材料发现方式的论文放上封面，并提出“从失败中学习”[1]：美国研究者利用机器学习算法，用失败的实验数据预测了新材料的合成，并且在实验中机器学习模型预测的准确率超过了经验丰富的化学家。这一研究意味着人工智能将改变传统材料发现方式，通过人工智能技术发明新材料的可能性也将大幅提高。
图1‑12016年5月5日《Nature》封面
同月，Nature新闻专题的封面也刊登了一篇题为《人工智能将创造更优秀的材料？》（《Canartificialintelligencecreatethenextwondermaterial?》）[1].[2]的文章。该文章认为，通过计算机建模和机器学习技术，可以很快地根据人们所需要的性能预测出相应候选材料。因此，科学家们将不再需要瞎猫撞死耗子般地制作新材料，而是按照计算机计算结果的指导，制作出相应候选材料并测试，从而加快了新材料的研发的速度和效率。
2020年7月在webofscience数据库通过对关键词“machinelearning”和“deepneuralnetworks”检索，筛选关于材料化学能源领域发现，关于机器学习已经发表了6335篇。可见目前将人工智能技术应用在材料科学领域已经成为一大热点。
图1‑2webofscience数据库检索结果
2.基于人工智能技术的材料科学研究的发展2.1材料科学的发展阶段根据研究方法的变革，可以将材料科学的发展分作4个阶段：经验测试阶段、理论研发阶段、计算模拟阶段[1].[3]、人工智能阶段。
(1)经验测试阶段
在材料科学的早期，研究者往往是以经验科学为主进行材料研究。在该阶段研究者凭借对材料的长时间测试与应用，从而积累对材料特性的经验。该阶段研究者需要经历反复实验，新材料产生的周期长、效率低。
(2)理论研发阶段
随着各领域研究的深入，材料科学的理论基础逐渐成熟起来，理论模型中的热力学模型的应用为材料研究提供了众多帮助，提高了新材料研究的效率。
(3)计算模拟阶段
计算机的应用使得材料科学的研究进入了计算模拟阶段，一系列模拟计算方法大大提升了材料科学的研究。
(4)人工智能阶段
随着人工智能技术的普及和机器学习深度学习技术在材料领域的应用，AI技术与材料研发的结合逐渐紧密，并在材料设计领域发挥极其关键的作用。
2.2材料科学在人工智能阶段的发展因素随着进入人工智能阶段，材料科学进入了高速的发展期，而材料科学之所以能有效结合人工智能技术，主要得益于以下三点因素[4]：
(1)充足的材料科学理论研究
人工智能技术的应用需要有相应应用领域的理论支撑，随着研究者对材料科学理论研究的深入，越来越多物理机制以及材料结构与性能的关系能够从理论层面去解释，从而有利于通过计算机基于材料科学理论去模拟真实材料的结构与性能。
(2)多尺度、高通量的模拟计算软件与高效的计算能力
随着针对材料科学的模拟计算软件的发展，材料模拟计算软件能够愈加精确地模拟不同材料结构与材料特性。基于多尺度、高通量的模拟计算软件，能更加高效地结合人工计算进行应用，同时结合高效的计算机计算能力，能够将需要大规模算力支持的人工智能技术结合模拟计算软件进行材料科学的研究。
(3)规模化、系统化的材料数据库
材料基因工程理念提出后，规模化、系统化材料数据库逐渐发展成型，并开始关注发展数据共享、数据自动收集和输出等系列新功能。一方面，材料数据库可为高通量的人工智能实验以及高通量计算结果提供海量数据存储空间；另一方面，材料数据库为高通量人工智能计算提供数据参数，能有效挖掘材料原理与指导新材料的设计。
3.基于人工智能技术的材料科学研究的研究领域基于人工智能技术的材料科学的研究领域主要集中在材料逆向分析、新材料发现以及材料预测三个方面，三个方面也对应着人工智能技术应用的三个步骤：数据的挖掘、模型的训练与优化、模型的应用。下文将举例现阶段各研究者分别在三个方面的具体应用。
图3‑1基于人工智能技术的材料科学研究的研究领域的三个方面
2.1逆向分析-数据的挖掘在逆向分析的领域，研究者基于所收集的材料数据信息进行数据挖掘，从而在数据中挖掘出有利用价值的规律，如材料不同性质之间的联系，进而总结新的数据信息。
《半监控机器学习在材料合成过程中的应用》[5]（《Semi-supervisedmachine-learningclassificationofmaterialssynthesisprocedures》）中，作者演示了一种半监督的机器学习方法，用于根据书面自然语言对无机材料的合成程序进行分类。无需任何人工输入，潜在的Dirichlet分配就可以将关键字聚集到与特定实验材料合成步骤相对应的主题，例如“研磨”和“加热”，“溶解”和“离心分离”等。在少量注释的指导下，随机分类可以将这些步骤与不同类别的材料合成（例如固态或水热合成）相关联。
最后，作者证明了实验步骤顺序的马尔可夫链表示可以准确地重建可能的合成程序流程图。这种机器学习方法提供了一种可扩展的方法，可以从文献中解锁大量的无机材料合成信息，并将其处理为标准化的机器可读数据库。
图3‑2通过马尔可夫链表示可以准确地重建可能的合成程序流程图
《从大量沸石材料合成记录中将合成和结构相联系》[6]（《Linkingsynthesisandstructuredescriptorsfromalargecollectionofsyntheticrecordsofzeolitematerials》）这项研究使用机器学习技术分析了从文献中收集的沸石的合成记录，以合理化对其性质和结构的理解。从机器学习模型中提取的综合描述符用于识别具有适当重要性的结构描述符。基于结构描述符的晶体结构相似性网络，显示了由合成相似材料组成的群落的形成。基于先前被忽略的结构相似性的交叉实验，揭示了沸石的合成相似性，证实了合成结构之间的关系。该方法适用于使经验知识合理化、填充合成记录并发现新颖材料的系统。
图3‑3《从大量沸石材料合成记录中将合成和结构相联系》研究流程
3.2新材料发现-模型的训练与优化在新材料发现领域，研究者通过构建相关人工智能算法模型并输入大量的材料数据，从而训练出具有材料设计功能的人工智能算法模型，协助研究者寻找与发现新材料。
《基于过程-结构-性能-性能互惠的弱监督学习关系提取》[7]（《Relationextractionwithweaklysupervisedlearningbasedonprocess-structure-property-performancereciprocity》）中，研究人员利用物理和化学理论并借助于量子力学，让计算机重新发现变量之间的关系，这是借助人工智能进行材料设计的新方法。
研究人员可以创建不同的材料变量，并询问AI系统设计将如何体现，如果让分子链更长或更短，或添加不同的化学物质会发生什么变化，计算机都会给出性能结果。执行一次迭代只需要几微秒，而传统方法可能需要几天甚至几周。
用户可以输入他们想要的所需材料属性，系统将搜索数以千计的科学文章以寻找匹配的材料。系统利用这种简单的组合关系来设计材料，同时允许大规模批量生产这些具有相同高性能的新材料。AI使得计算机可以在很短的时间内解决问题，单纯依赖研究人员将要花费几倍的时间。
图3‑4《基于过程-结构-性能-性能互惠的弱监督学习关系提取》功能流程
在以往的研究中，机器学习方案的成功是基于数据库中数据的共同趋势，通过这样的共同趋势训练，开发的模型可以应用于预测大多数化合物的结构与性能的关系。这对通常的化合物是有效的、准确的，因为在材料数据库的大多数情况下，通常化合物具有规则的结构单元。然而，例外总是存在的(即使有95%的预测精度，总还有5%的例外)。
在《使用大数据和机器学习技术在异常中发现异常结构》[8]（《Discoveringunusualstructuresfromexceptionusingbigdataandmachinelearningtechniques》）中，潘锋团队通过对大量数据不断改良机器学习不仅能够实现高精度预测材料的结构和性能相关性（相当于发现材料的“遗传”性质），同时首次原创性着眼于这些不在预测范围的“例外”，并且通过分析这些“例外”（相当于发现材料的“变异或突变”性质），即分析远离总体趋势的异常结果，从中获得新的洞见，发现了新型的结构基元（具有正3价的银离子基团），这对基础物理化学有了一些新的认识，并在科学上开辟了新的领域。
图3‑5《使用大数据和机器学习技术在异常中发现异常结构》研究流程
在该工作中，团队通过自主建立了一个包括HSE计算数据的材料结构数据库，并基于此通过机器学习的方法对材料结构的带隙进行学习，并展示了机器学习是如何被用来作为一种工具来挑选这些不寻常的案例，以及如何用传统的分析方法来研究这些不寻常的案例，从而拓宽已有的科学知识。
在该工作中，团队只使用了相对较小的数据集进行训练，并且ML模型的总体性能与已有的工作相当，模型R2约为0.89。通过观察带隙预测模型的结果，团队从数据库约4000种化合物中确定了34种不同寻常的“例外”化合物，在具体的分析之后，其中许多化合物具有不寻常的结构或其它异常，如特殊的配位环境或氧化态，带隙相对于同族其它化合物的突然增加，或是同族不同化合物之间的不同相结构。
图3‑6机器学习预测带隙的结果
在这些具有较大预测误差的化合物中，团队发现了具有Ag3+和O22-特殊结构的AgO2F。随后，通过与KAgO2（“正常”结构）的电子结构对比，他们发现AgO2F中不寻常的氧化态（O22-）使得O与Ag之间轨道杂化很小，带隙附近的能级主要由O原子的2p轨道贡献，带隙远小于其它含有Ag3+的化合物。这一实例证明了可以通过检查机器学习模型中的异常，从大型数据库中快速发现异常结构。
图3‑7AgO2F（“异常”）与KAgO2的电子结构比较。AgO2F由于具有不寻常的氧化态（O22-）从而具有异常表现
3.3材料预测-模型的应用在材料预测领域，研究者通过训练出相关人工智能算法模型总结材料状态与材料性能规律，进而利用人工智能算法模型结合所监测的材料状态分析材料的性能。
有机光伏（OPV）电池提供一个直接的和经济的方式来将太阳能转化为电能。近年来，OPV的研究迅速发展，功率转换效率（PCE）已超过17％。迄今为止，OPV研究的主流一直集中在建立新的OPV分子结构与其光伏性质之间的关系。该过程通常涉及光伏材料的设计和合成，材料的光电性能表征以及光伏电池的组装和优化。
这些传统方法通常需要精细控制化学合成、制造精密装置、费力的纯化和繁琐的实验步骤，这导致大量的资源投入以及较长的研究周期。因此，OPV的开发效率低下且缓慢。
《机器学习辅助的高性能有机光伏材料分子设计和效率预测》[9]（《Machinelearning–assistedmoleculardesignandefficiencypredictionforhigh-performanceorganicphotovoltaicmaterials》）中，重庆大学的孙宽教授、中科院的陆仕荣教授和肖泽云教授共同建立了一个数据库，其中包含从文献中收集的1719个经过实验测试的OPV供体材料。他们首先研究了分子的表达对ML性能的重要性。为了确定最合适的表达式，我们测试了不同类型的表达式，包括图像、ASCII字符串、两种类型的描述符和七种类型的分子指纹。根据PCE值，描述符可将材料分为“低”和“高性能”。指纹具有最佳性能（预测PCE类的准确度为81.76％），并且其长度对预测的准确性有显着影响。
此外，作者使用了多种ML算法进行分类。研究发现，当处理小型数据库时，RF模型的性能优于其他模型。最后，作者通过合成10种新的OPV供体材料独立验证了ML模型。该模型的预测与实验结果吻合良好。
通过这项工作，作者为OPV研究建立了一种新方法，即通过ML模型预筛选设计的OPV分子，然后仅关注在后续实验中通过ML虚拟评估的分子。这种方法将大大加快开发用于OPV应用的新型高效有机半导体材料的探索过程。
4.基于人工智能技术的材料科学研究的问题与展望4.1基于人工智能技术的材料科学研究的现存问题人工智能变革材料科学研究方法尚存在不少问题：
一是受制于材料数据、材料性能控制因素，人工智能目前仅对少部分材料奏效。
二是计算机预测的材料，并不一定能够在实验室成功合成乃至规模量产，这个过程可能会很长。
4.2基于人工智能技术的材料科学研究的展望针对现存问题，本文提出两大发展方向：材料数据库的扩充与新技术的发展。
(1)材料数据库的扩充
更多更为详尽的材料数据库可为研发人员缩短研发周期和研发成本。当前的材料研究的思路是对成分、工艺的调整，获得具有理想微结构与性能匹配的目标材料。材料数据库建立了成分、工艺、微结构、性能之间的内在联系，将有利于设计与优化材料成分与工艺。
(2)新技术的发展
新技术的突破与应用能为研发人员带来更多意想不到的惊喜。例如陶瓷材料作为一种具有26000年历史的材料，因其突出的热力学，机械及化学稳定性获得了广泛的应用，但一直以来陶瓷制备工艺需要长时间烧结的难题成为其发展的巨大限制，尤其是因烧结引起的组分挥发问题。而马里兰大学(UMD)材料科学与工程系(MSE)的科学家们创造性的发明了一种超快高温烧结(UHS)陶瓷的新方法，以不到10s时间制造出块体陶瓷材料，从而将十几小时的烧结时间缩短到几秒钟，这种新方法解决了理论计算和人工智能等引导发现新材料的关键瓶颈问题。
参 考 文 献Machine-learning-assistedmaterialsdiscoveryusingfailedexperiments,PaulRaccuglia…,Naturevolume533,pages73–76(2016)Canartificialintelligencecreatethenextwondermaterial?(NicolaNosengo.,2016,DOI:1.19850)AgrawalA,ChoudharyA.AptMater/a/s[J],2016,4(5):1-17．王卓,王礞,雍歧龙,郭艳华,崔予文.材料信息学及其在材料研究中的应用[J].中国材料进展,2017,36(02):132-140.Semi-supervisedmachine-learningclassificationofmaterialssynthesisprocedures (npjComputationalMaterials,2019,DOI:10.1038/s41524-019-0204-1)Linkingsynthesisandstructuredescriptorsfromalargecollectionofsyntheticrecordsofzeolitematerials(Nat.Commun.,2019,DOI:10.1038/s41467-019-12394-0)Relationextractionwithweaklysupervisedlearningbasedonprocess-structure-property-performancereciprocity(TakeshiOnishi…,DOI:10.1080/14686996.2018.1500852)Discoveringunusualstructuresfromexceptionusingbigdataandmachinelearningtechniques(JianshuJie1…,DOI:10.1016/j.scib.2019.04.015)Machinelearning–assistedmoleculardesignandefficiencypredictionforhigh-performanceorganicphotovoltaicmaterials(Sci.Adv.,2019,DOI:10.1126/sciadv.aay4275)
智能传感材料与器件也是走向世界科技强国的关键
智能传感器件是信息时代的感知单元，可接收和处理海量数据并瞬时传输信息，在发展5G通信、人工智能、大数据、云计算、物联网、先进机器人、无人驾驶、智能制造、智慧交通、智慧医疗以及促进经济高质量跃迁和建设未来智能社会中担当着重要角色。
我国智能传感器市场
迎来快速增长爆发期
在计算机与通信技术迅猛发展的初期阶段，人们忽视了传感技术，造成信息技术“大脑”发达，而“五官”迟钝的窘境。进入新世纪后，随着纳米材料、MEMS等先进制造技术的成熟，发达国家纷纷加速智能传感技术布局，确立传感技术和产品向感、知、联功能一体化的智能系统方向发展。在国家政策的支持下，我国现已初步形成传感技术研发体系，建设了若干平台，有1800多家传感器企业、40家上市公司。但目前我国传感材料与器件仍面临关键技术缺失、创新能力不强、产品有效供给不足、国际竞争力薄弱等问题。例如，高端磁传感器、医用传感器约90%以上依赖进口；新冠肺炎疫情期间，受到欧美流量、压力等核心传感部件供应不足的影响，我国呼吸机产量只有实际产能的1/3。《科技日报》2018年4月25日曾指出，传感器精确、稳定的严苛要求，阻挡了我国大部分企业向触觉传感器迈进的步伐。究其原因，一方面是日渐复杂的器件工艺让中小型企业“望而生畏”；另一方面，缺乏自主知识产权是很难逾越的“拦路虎”，需要进行更多的探索与创新。
当前，新技术革命和产业变革正蓄势待发，学科领域交叉融合、互相渗透，智能传感技术的发展进入了一个重要历史阶段，将有更多的新材料、新技术、新工艺、新软件应用于无人驾驶用激光雷达、组合导航轮速计，智能手机用飞行时间传感器、组合惯性传感器，智慧农业用温湿度传感器，医学检验检测、器官芯片、可穿戴传感器，以及航空航天、深空深海、高铁、自主核电技术用的关键传感模块。
——中国工程院院士屠海令、有研科技集团有限公司高级工程师赵鸿滨
根据赛迪顾问数据，2019年全球传感器市场规模达到1521亿美元。中国传感器市场规模2019年为2189亿元，预计2022年将达3443亿元。当前智能传感器已成为传感领域发展的重头戏，根据中国信通院数据，2019年全球智能传感器市场为378.5亿美元，工信部提出2019年我国智能传感器产业规模应到260亿元。随着新一代信息技术与智能制造工程项目的不断落地，我国智能传感器市场将会迎来快速增长的爆发期。
继续加强应用基础研究
大力突破关键核心技术
“十四五”期间智能传感材料与器件领域应坚持科技自立自强，以战略性新兴产业、国家重大工程、生命健康保障等需求为牵引，系统布局和实施国家重点研发计划，抓住新的发展机遇，尽快占领高端产品市场，为此提出以下三方面建议。
一是继续加强应用基础研究，建立学科交叉的智能传感研发体系，全方位深化开放合作，通过颠覆性新技术引领创新发展。
智能传感材料制备、器件设计与研发的难度极大，算法软件设计过程复杂，因此应用基础研究十分重要。要特别关注二维材料、超材料、有机框架材料、柔性材料，特别是量子材料的研发，鼓励对上述前沿材料基础物理、化学性能的探索研究。最近，伦敦大学利用纳米金刚石中氮空位缺陷的量子特性，制备出了体外诊断的超灵敏传感器，可将HIV的诊断灵敏度提高98000倍。目前，该传感器正在进行新冠病毒检测试验工作。未来，前沿材料可能在智能传感技术创新中起到重要的变革性作用。
智能传感涉及材料、信息、能源、生物等领域，学科跨度广、技术难度大。以生物医用传感技术为例，它融合了微电子技术与生物技术领域的多个小学科，对“精准诊断”、“个性化药物监测与评价”等未来医学发展方向具有重要影响。工业互联网不但要求智能传感器具有高灵敏、高稳定、低功耗、低成本特性和良好的鲁棒性，还要求软件用户界面良好，进行数据智能分析、近传感器和传感器内计算，以降低时间延迟，并增强数据安全。此外，因智能传感技术具有学科交叉的复杂性，未来需要加强标准制定、规范设计。建议设置先导科技项目，加强智能传感前沿交叉领域部署；建立学科间合作平台，促进多学科融合发展。同时，进一步加强政府间科技合作，通过国内外大学、企业等多渠道联合研发颠覆性新材料、新软件、新技术以及面向未来的智能传感材料与器件，共同推动认识和感知创新，以更加开放的思维和举措融入全球智能传感器研发与产业化。
二是加强国家战略科技力量，发挥新型举国体制优势，下大力气突破关键核心技术。
目前，国内材料领域建有“智能传感功能材料国家重点实验室”，器件领域有“传感技术联合国家重点实验室”“化学生物传感与计量学国家重点实验室”“国家智能传感器创新中心”等，这些国家级平台经过多年的建设，在各自领域均发挥了积极作用。建议进一步统筹规划，集中力量攻克高端传感材料与器件技术难题，建设若干开放共享的研发平台，充分发挥国家战略科技力量的作用，开展跨学科产学研用协同创新。在创新方面，需要重点突破硅基MEMS加工技术、MEMS与CMOS工艺集成技术、非硅模块化集成技术、器件级、晶圆级MEMS封装和系统级测试技术；要集中攻关智能传感器可靠性设计与试验、模拟仿真、信号处理、无线通信、电子自动化设计（EDA）工具、软件算法等；要开发新型传感材料，推进设计与制造工艺的深度结合，突破现有技术与知识产权壁垒，占领未来技术制高点。与此同时，要充分发挥“产学研用”相结合的优势，开展以需求为导向、以市场为目标的颠覆性技术研发，啃核心技术“硬骨头”，在智能传感器领域实现科技自立自强。
三是发挥市场机制作用，营造良好的产业发展生态环境，支持传感领域中小型科创企业发展，补齐短板，拓展市场。
智能传感材料与器件的种类繁多，应用场景广泛。因此，建议“十四五”期间，要充分发挥市场机制的作用，完善以中小型科创企业为主体的产业生态环境，设立为中小企业提供全面服务的政府部门，解决它们发展中面临的问题，切实发挥中小型科创企业的市场主体作用。加快营造智能传感材料与器件相关企业自主经营、公平竞争的市场环境，完善产业链、创新链、资金链。在京津冀、长三角、粤港澳等电子信息产业发达的区域培育一批智能传感材料与器件的“高精特新”企业，促进智能传感器产业集群发展。
展望未来，相信我们有能力抢占智能传感材料、器件、系统及应用的战略制高点，实现智能传感产业链、供应链的自主可控，为建设世界科技强国，推进经济高质量发展奠定坚实的基础。