铁头瓦来自奥菲寺
Qbitai
你知道今年是周期表诞生150周年吗？
1869年，俄罗斯化学家门捷列夫在卡片上写下了当时已知的63种元素，并根据它们的化学和物理性质进行排列，形成了元素周期表的雏形。
目前常用的元素周期表有短表、长表、超长表、平面螺旋表、圆形表甚至三维周期表。
现在，科学家们正在利用机器学习来重新发现元素之间的关系，探索元素周期表的新形式和材料的新可能性。
元素周期表，进化！
洛桑联邦理工学院的研究人员利用机器学习探索周期表在高维空间中可能的表达形式。
这些新元素与不能自己看见的人有关，所以机器学习可以用来探索更多的可能性。
根据密度泛函理论，他们引入了近11，000种四元素化合物的结构(abcx2dx6形式)作为数据集。
根据原子间的位置排列和化学性质，这些化合物的结构可以分为不同的特征向量。
此外，这些化合物包括39种主要的族元素，包括大部分常见的化合物形式。
他们通过确定低维的特征值来简化高维的特征向量，就像在数学中为了分析曲线的性质而确定坐标系一样。
他们发现一些特定的元素会在低维度聚集在一起。
这种聚合与元素在周期表中的位置有关吗？
在可视化了这些元素之间的关系之后，研究人员发现这些元素之间的关系非常接近人们先前推断的关系:
惰性气体不能与主流元素一起发挥作用，每个人都是孤独的游侠。
卤素元素是一个族，代表尽可能一致的颜色，碱金属样品被收集在一起。
在同族元素中，最短周期元素不同于其他周期元素。作为元素周期表中最长的元素，氢元素比同一族中的其他元素更突出。
从低维度到高维度的反向过程也显示出类似的结果。
但是，由于特定数据集内容的限制，元素之间的关系发生了变化。
在钙钛矿中，第一主族元素仍然像以前一样聚集。
然而，算法中氢的性质开始偏向氢化物。
这种氢元素更容易与卤素元素和硫族元素分离和结合。
δ图是微钙钛矿
如果原始平面是三维的，氢和其他基本金属之间的距离将会比前一个二维平面更近。
这些结果不仅符合基本分组理论和元素性质，而且显示了元素在三维平面上的独特性质。
它还表明元素周期表根据元素的性质不仅仅是二维的。
论文摘要去淘金！
加州劳伦斯伯克利国家实验室的研究人员选择材料领域作为机器学习的切入点，这个选择更大胆。
他们试图建立一个巨大的材料结构和属性数据库。通过材料性质和结构之间的已知关系，
对“金矿”可能的物质结构，希望能够预测新的物质。
没有现成的理论，没有直观可行的数据，这条探索之路可以说是不透明的。
但是，
材料领域有很多论文！
所以他们使用论文中的词汇作为他们的材料科学数据集。
分析文本的算法容易获得，并在历史和文学中有应用。
所以他们从1922年到2018年输入了330万份摘要，扫描了50万个单词，包括化学公式。
机器学习的分析结果也很有趣，例如铁镍与铁磁性有关，碲铋与热电性质有关，这与实际科学研究得出的结论是一致的。
根据这一思想，新材料的性质和应用可以根据以前的机械学习经验进行分析。
即使在新材料被发现之前，相关的研究方向也是可以预测的。
机器学习，体验回归
为什么仅仅通过机器学习就值得关注化学元素周期表和材料论文？
因为这代表了化学的经验研究方法，可以抹去历史的尘埃，恢复光彩。
瓶子和罐子分析实验背后的化学是一门实证科学。
这门学科的所有理论和经验都是建立在不断实验、统计和推翻以及不断确定实验周期的过程之上的。
德尔塔图是拉瓦锡实验的铜像。
这门学科不能依靠宏观理论推导来完美地实现化学反应的预览。
另一方面，新材料的探索和应用仍然离不开实验的经验总结过程。
毕竟，人的总结能力是有限的，而机器学习大大扩展了研究者总结例子的范围。
化学萌芽阶段是一个从表面现象到深层本质的渐进经验总结。
另一方面，机器学习将为化学的初步探索带来新的价值。
中设股份：无锡垮塌高架桥设计符合规范，网传施工图扉页不实
冰清和你聊聊天：但愿晴长久，千里共金天