在新材料发现与设计过程中，通常实验科学起着关键的作用，但实验科学对资源的要求很高，必须在很短的时间内对数量非常有限的材料进行实验研究。由于这些局限性，重要的发现大多是来自于科学家的直觉甚至偶然因素。
伴随着计算方法的出现，推动了材料科学的第一次计算革命。事实上，将实验和计算机模拟相结合，可以大大减少材料设计的时间和成本。随着计算能力和算法的不断提高与发展，使得大型材料组的高通量计算研究得以筛选出理想的实验候选物，而大规模的计算模拟和实验性的高通量研究产生了海量的数据，使得将机器学习方法应用于材料科学成为可能。
由于材料固有的复杂性、多晶体的无定形性以及多尺度几何结构的特点，使用传统的计算模拟往往达不到预期的效果。相比于传统计算或测量方法的繁杂与误差，利用现存可靠的材料数据集，机器学习算法在材料性能预测方面有着巨大的潜力。
自2006年以来，机器学习在新材料发现领域取得了突破性的进展，这是传统新材料研发模式的全新变革，对材料科学研究与新材料研发具有重要创新意义。机器学习采用先进的数据挖掘方法对材料数据库中的大量材料数据进行分析，缩短了材料研发周期、降低了试验过程中的错误率和研发成本，极大地加快了新材料的研发进度。
『新材料发现与设计领域中，围绕“数据”，一些关键性问题值得我们思考』
· 如何快速产生足够规模的高质量数据（包括实验数据和计算模拟数据）以满足算法的精度要求？
· 如何获取和整合散落在各处的不同类型的数据？
· 如何借助机器学习算法将获取到的高质量数据利用起来？
· 如何让专家的知识经验得以共享与传承？
· 是否可以建立一个全流程自动化的智能平台，打造一个实验科学家、模拟科学家以及数据科学家都能各尽其能、各取所需的良性生态？
那么，有没有可能通过借助现成的软件/工具就能解决上述一系列的关键问题，从而快速破解材料“结构-成分-性能”的构效映射密码，实现由传统的实验驱动、理论驱动向数据驱动、智能模型驱动的创新模式的转变？
5月29日晚，创腾科技在国内率先研发的面向生命科学和材料科学领域的科学数据融合与数据溯源平台——科学数据基因组平台SDH，基于分子模拟的人工智能创新平台——MaXFlow，即将华丽绽放，敬请期待！
参考资料：
1. 牛程程等，机器学习在材料信息学中的应用综述.材料导报（A），2020,34（12）:23100-23108.
2. 余海山，结合第一性原理和机器学习的材料理论研究，中国科学技术大学，2020.9
