傳統的材料開發方式往往依賴于試錯法或者經驗。但是隨著材料成分、微觀結構等復雜性的增加，傳統的方法不再適用。如何利用盡可能少的實驗來有效的提升新材料的性能，是材料研究人員所面臨的巨大挑戰。
利用自適應設計循環提升材料開發速度
機器學習技術被認為可以從大量材料科學的數據中通過算法搜索隱藏于其中的重要信息，甚至是物理規律，進而實現材料性能的快速優化。西安交大材料學院科研人員提出了一個基于主動學習技術的材料設計方法，并應用于加速設計開發新型壓電材料。這一設計思路是一個由數據采集、統計模型、實驗設計、結果反饋組成的循環回路；通過對回路的多次循環，實現對材料目標性能的快速優化。區別于以往以預測結果為導向的實驗設計，上述循環最大的不同之處在于利用預測結果的不確定性（uncertainty）進行實驗設計，僅僅通過三組實驗就成功開發了一種具有高電致應變的無鉛壓電材料。同時，研究人員還比較了不同的實驗設計策略，發現平衡考慮預測值與不確定性的策略在材料開發中更加高效。該思路可以被廣泛應用于新材料的快速研發。
該研究成果近日以“Accelerated Discovery of Large Electrostrains in BaTiO3-Based Piezoelectrics Using Active Learning”為題，在線發表于國際期刊Advanced Materials（影響因子：19.791）上，西安交大為第一作者單位和第一通訊作者單位。該工作是材料學院孫軍教授、丁向東教授團隊博士生袁睿豪、薛德禎副教授等與美國洛斯阿拉莫斯國家實驗室的Turab Lookman教授合作完成。
該研究得到了國家自然科學基金、國家重點研發計劃等項目的共同資助。
化學慧納米材料系列產品
