我們已從計算材料科學的手工時代進入工業化階段。圖片來源：NIK Spencer/Nature
這是迄今最令人討厭視頻的強勁競爭者：對一部一排排數字和符號不斷向屏幕下方滾動的智能手機的特寫。不過，當到訪者在Nicola Marzari俯瞰日內瓦湖的辦公室駐足時，他總是會迫不及待地炫耀這部手機。“它來自2010年。”Marzari介紹說，“這是一部可實時計算硅電子結構的手機。”
身為瑞士洛桑聯邦理工學院（EPFL）物理學家的Marzari表示，即便回到當時，這部如今已經落伍的手機僅需要40秒，便能執行完在超級計算機上曾花費好多個小時的量子力學計算。這一壯舉不僅證實了過去十多年間此類計算方法走了有遠，還表明未來其在改變材料科學發展方式上擁有的潛力。
Marzari和志趣相投的研究人員并未采用老式方法研發新材料——憑借運氣偶然發現它們，然后在實驗室里不辭勞苦地測量其屬性。相反，他們正利用計算機建模和機器學習技術產生數以萬計的候選材料庫。即便是來自失敗試驗的數據，也能提供有用的輸入。很多候選材料完全是假設出來的，但工程師已開始列出因某種特定應用而值得合成和測試的候選名單。這是通過搜尋材料的預期性質實現的，比如它們作為導體或絕緣體將會表現如何、是否能起到磁體的作用以及能承受多少熱量和壓力。
美國加州大學伯克利分校材料學家、該領域先鋒人物Gerbrand Ceder表示，希望在于這種方法將在發現材料的速度和效率上產生巨大飛躍。“我們可能只理解了現有材料1%的性質。”Ceder以磷酸鐵鋰為例介紹說，這是一種于上世紀30年代首次合成的化合物，但直到1996年才被公認為代替當代鋰離子電池的頗有前景的材料。“此前，沒有人想到要測量它的電壓。”Ceder說。
遺傳學的靈感
Ceder最早想到利用這種高通量、數據驅動的方法發現材料是在本世紀初。當時，他在麻省理工學院（MIT）工作，并且發現自己受到近乎完成的人類基因組計劃的啟發。“就其本身而言，人類基因組并非發現新療法的秘方。”Ceder說，“但它為藥物研發提供了數量驚人的基本定量信息。”于是，他在想，材料學家能否從遺傳學家那里借鑒一些經驗。他們能否鑒別出一個與生物學信息被編碼在DNA堿基對中的方式相同的編碼各種化合物屬性的“材料基因組”？
如果是這樣，Ceder推斷，編碼肯定存在于構成一種既有材料的原子和電子及其晶體結構中，即它們的空間排列方式。2003年，Ceder和團隊首次證實了量子力學計算數據庫如何幫助預測一種金屬合金最有可能的晶體結構。對于任何從事新材料發明工作的人來說，這都是關鍵一步。
過去，這些計算冗長且困難。即便對于超級計算機來說也是如此。機器不得不完成大量的反復試驗以發現“基態”：能量在最低限度上并且所有力處于平衡狀態時的晶體結構和電子組態。不過，在2003年發表的論文中，Ceder團隊描述了一種捷徑。研究人員計算了一個小型二元合金（兩種不同金屬的混合物）庫中普通晶體結構的能量，然后設計出一種機器學習算法。該算法能從庫中提取模式，并推測一種新合金最有可能的基態。它運行得不錯，使計算所需的時間大幅縮短。
“這篇論文引入了材料屬性公共庫以及利用數據挖掘填充缺失部分的想法。”同一年離開Ceder團隊并在杜克大學開創了自己的實驗室的Stefano Curtarolo表示。隨后，該想法促成了兩個獨立項目的誕生。2006年，Ceder在MIT開啟材料基因組計劃，利用該算法的改進版本預測用于電動汽車電池的鋰基材料。2010年，該計劃發展到囊括了約兩萬種預測的化合物。
與此同時，Curtarolo在杜克大學成立材料基因組學中心，聚焦金屬合金研究。和來自猶他州楊百翰大學以及以色列內蓋夫核子研究中心的研究人員一道，他逐漸將2003年的算法和數據庫擴展成AFLOW—— 一個能對已知晶體結構開展計算并自動預測新結構的系統。
材料基因組學
不過，直到2011年6月，計算材料科學才成為主流。當時，白宮宣布了投資數百萬美元的“材料基因組計劃”（MGI）。“當白宮里的人們熟悉了Ceder的工作時，他們非常興奮。”美國國家標準與技術研究院材料學家、MGI執行秘書James Warren表示，“當時，大家普遍意識到，計算機模擬已經到了能對創新和制造業產生實際影響的時刻。更不用說‘基因組學’這個名字了。它會讓人聯想到一些宏偉的事情。”
自2011年起，該計劃投資超過2.5億美元，用于軟件工具、旨在收集并報告實驗數據的標準化方法、在重點高校建立的計算材料科學中心以及高校和商業界就特定應用研究開展的合作。不過，目前尚不明確這種慷慨真正對科學起到了多大的促進作用。“該計劃促成了很多好事，但也產生了各種名頭。”Ceder說，“一些團隊開始將它們的研究冠上各種基因組學的名頭，盡管兩者幾乎沒有任何關聯。”
不過，MGI明確做到的一件事情是，幫助Ceder和其他人意識到建立材料屬性在線數據庫的愿景。2011年年底，Ceder及其團隊前成員Kristin Persson（在Persson于2008年搬到加州勞倫斯伯克利國家實驗室后，兩人繼續就該項目進行合作）將他們的“材料基因組學計劃”更名為“材料計劃”。白宮要求他們放棄“基因組”的標簽，以避免同國家計劃混淆。第二年，Curtarolo公布了自己的數據庫。它被稱為AFLOWlib，基于Curtarolo在杜克大學研發的軟件。2013年，西北大學材料研究人員Chris Wolverton啟動“開放量子材料數據庫”（OQMD）。“我們從‘材料計劃’和AFLOWlib中借鑒了一些通用的概念。”Wolverton介紹說，“但軟件和數據是自己的。”
在歐洲的擴張
與此同時，材料基因組學進入歐洲，盡管通常是以其他的名字出現。比如，瑞士創建了MARVEL。這是一個由研究機構組成、針對計算材料科學的網絡，其中EPFL 為主導、Marzari為負責人。利用一個新的計算平臺，Marzari正在創建一個名為“材料云”的數據庫。他正利用該數據庫搜尋二維材料，比如僅由單層原子或分子構成的石墨烯。此類材料可被用于從納米級電子產品到生物醫學設備的一切應用。為找到好的候選材料，Marzari正在讓15余萬種已知材料經歷一個被他成為“計算剝離”的過程：計算出將一個單層從普通晶體表面分離需要多少能量。等到今年晚些時候該數據庫準備公開發布時，他希望初步的運行將收獲約1500種潛在二維材料。
而在幾公里之外的錫永鎮，計算化學家Berend Smit成立了另一個EPFL中心。該中心致力于研發用于預測上萬種納米多孔沸石和金屬有機骨架材料的算法。隨后，其他算法會挑出從化石燃料發電廠的煙道中吸收二氧化碳的最佳候選材料。
Smit的工作還證實，材料基因組學會帶來壞消息。很多研究人員曾希望利用納米多孔材料建立能在更小空間內儲存更多甲烷的汽車油箱。不過，在篩選了65萬余種通過計算得出的材料后，Smit團隊認為，大多數最佳材料已被制造出來。新材料只能帶來輕微的改善，而美國相關部門（打賭甲烷儲備會出現重大技術改進）目前設置的能量目標可能并不現實。
無論如何，Marzari認為，“我們已從計算材料科學的手工時代進入工業化階段”。“如今，我們能創建仿真裝配鏈，讓它們發揮作用，并且以全新的方法探究問題。”Marzari說。然而，目前還未有通過計算預測出來的材料出現在市場上。“讓我們10年后再談論這個問題。”芝加哥大學計算材料學家Giulia Galli表示，“我認為，到時會出現很多這種材料。
隱石檢測擁有一批在業內取得顯著成就的專業技術人員，在行業內有著豐富的檢測經驗。秉承著專注、專業、高效、想客戶所想的理念，公司積極增加項目和完善更先進的測試儀器設備，保障每一個檢測，分析，研發任務優質高效的完成。同時通過專業所長,為全球數萬家優質客戶提供最及時的行業技術標準信息，和更高精尖的分析檢測解決方案。
隱石檢測分別成立了閥門實驗室，腐蝕實驗室，金相實驗室，力學實驗室，無損實驗室，耐候老化實驗室。從事常壓儲罐檢測，鍋爐能效檢測，金屬腐蝕檢測，應力應變檢測，無損探傷檢測，機械設備檢測，金相分析，石墨烯納米材料檢測，水質檢測，油品檢測涉及的服務范圍已廣泛覆蓋到鋼鐵材料，有色金屬材料，石油化工設備，通用機械設備，冶金礦石，建筑工程材料、航空航天材料，高鐵船舶材料，汽車用零部件、非金屬材料，電子電工產品等各個領域，并獲得了CMA和CNAS;雙重認可。
官網微信
