铁头娃 发自 凹非寺
量子位 出品 | 公众号 QbitAI

你知道今年是元素周期表诞生150周年吗？

1869年，俄国化学家门捷列夫将当时已知的63种元素写在卡片上，根据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是短式表，还有长式表，特长表，平面螺线表，圆形表，甚至还有立体周期表。

现在，科学家们利用机器学习，重新挖掘元素间的关系，探索元素周期表的新形式以及材料的新可能。

元素周期表，进化！

洛桑联邦理工大学的研究人员，就使用机器学习的方式，探索了元素周期表在高维表达的可能形式。

这些新的元素关系人类无法眼见为实，所以利用机器学习可以探索更多可能。

他们根据密度泛函理论导入了近11000种四元素化合物（形式为ABCx₂Dx₆）的结构作为数据集。

这些化合物的结构通过原子间的位置排布和化学性质，可以被划定为不同的特征向量。

除此之外，这些化合物包括39种主族元素，包括了很大一部分常见的化合物形式。

他们通过对确定低维度的特征值来对高维度的特征向量进行简化，就像数学中为了分析曲线性质来确定坐标系一样。

他们发现，一些特定元素在低维度会聚集在一起，

那么这个聚集现象是不是与元素在周期表中的位置相关呢？

研究者将这些元素的关系进行可视化处理后，发现这些元素的关系和之前人们推导的关系很接近：

惰性气体不跟主流元素一起玩，而且个个都是独行侠；

卤族元素是一家，代表颜色尽可能一致，碱金属有样学样也一起抱团；

同族元素中，最短周期元素和其他周期元素泾渭分明，氢元素作为元素周期表的老大，跟其他同组元素比显得更为突出。

从低维度向高维度的反推过程，也表现出类似的结果。

但是在特定的数据集内容限制下，元素之间的关系发生了偏移。

在钙钛矿中，第一主族元素依旧像以前一样扎堆，

但是氢元素在算法中表现的的性质开始偏向于氢化物，

这样的氢元素更容易脱离，并与卤族元素和硫族元素结合。

△ 图为微观钙钛矿

如果将原有平面三维化，那么氢元素和其他碱性金属同之前二维平面的结果相比，距离会变得更近。

这些结果不但契合了元素的基本分组理论和性质，并且元素的独特性质在三维平面中的表现。

也说明了根据元素的性质，元素周期表不只是二维的。

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，则选择把材料领域作为机器学习的突破口，这个选择更为大胆。

他们尝试做一个巨量的材料结构和性质数据库，通过已知的材料性质与结构的关系，

来对可能出现的材料结构“淘金”，希望能够预测出新材料。

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伸手不见五指。

但是，

材料领域论文多啊！

于是他们利用了论文中出现的词汇作为他们的材料科学数据集，

分析文本的算法是现成的，并且在历史和文学方面也有应用。

所以他们录入了从1922年到2018年的330万篇摘要，扫描了五十万词汇，其中包括化学公式。

而机器学习的分析结果也是非常有趣的，例如镍化铁就与铁磁性挂钩，而铋化碲则与热电性质相关，这跟现实科学研究得出来的结论相符。

按照这个思路，就可以对根据之前机械学习的经验，对新材料的性质和应用进行分析。

甚至可以在新材料被发现之前，预测相关的研究方向。

机器学习，经验回归

为什么只是用机器学习对化学周期表和材料论文淘金，就值得如此重视呢？

因为这代表着化学的经验化研究方式，可以擦净历史的尘埃，重现光彩。

化学，在瓶瓶罐罐分析实验的背后，是一门经验化的科学，

这个学科所有的理论和经验，都是依靠不断的实验，统计和推翻，以及继续实验的循环不断确定的过程。

△ 图为拉瓦锡实验铜像

这个学科不能依靠宏观的理论推导，完美实现化学反应的预演。

另一方面，对新材料的探索和应用研究，还是无法避免依靠实验的经验总结过程。

人的总结能力终归是有限的，而机器学习则极大的拓展了研究者范例总结的边界。

化学的萌芽阶段，就是靠从粗浅的现象到深入的性质，进行逐步的经验总结。

而机器学习，即将把化学最开始的探索手段，实现出新的价值。

原文链接https://www.chemistryworld.com/opinion/machine-learning-mendeleevs-have-rediscovered-the-periodic-table/3010720.article