寻找具有最优性能的材料是材料科学中的核心问题。传统来讲，新材料基本依靠实验的试错法发现，耗时耗力。而实际可能存在的材料数目极其庞大。例如，将元素周期表上最常用的100种元素排列组合，可以得到4950种二元化合物，161700种三元化合物，3921225种四元化合物，对于更复杂的化合物，其种类更是指数增加。然而，目前人们仅仅探索了72%、16%和0.6%的二元、三元和四元化合物，对于更复杂化合物体系的了解更是少之又少。完全依靠实验来发现这些新材料并从中筛选性能优越者正如大海捞针。近年来兴起的数据发掘是一种被寄予厚望的手段，然而该方法要基于已有的材料数据库完成，因此只能受限于已经发现的材料。
由Oganov教授领导的一个俄罗斯研究团队针对上述计算材料科学的核心问题给出了一个非经验的答案。他们将协同进化方法、新构造的“门捷列夫”化学空间、能量过滤和Pareto优化等一系列新技术相结合，提出了一种称为门捷列夫搜索的预测方法。为了方便应用全局预测方法，他们首先根据原子的半径和电负性为每个元素定义一个名为门捷列夫数的物理量。基于该物理量能够合理地重整化学空间，使具有相似性质的化合物彼此接近。然后应用协同进化方法和多目标Pareto优化技术，以一种类似于生物学中复杂进化的方式搜索材料。由于协同进化算法能够有效地对化学空间中最有希望的搜索区域进行采样，该方法能够以较低的计算成本发现大量高性能材料。以二元超硬和磁性材料为例，他们展示这种搜索方法的强大能力。特别是，仅一轮搜索，该方法就成功地找到了几乎所有已知的超硬材料。该方法有望推广，用于发现其它具有单一或者综合优异性能的新材料。
该文近期发表于npj Computational Materials 6: 55 (2020)，英文标题与摘要如下，点击https://www.nature.com/articles/s41524-020-0322-9可以自由获取论文PDF。
Coevolutionary search for optimal materials in the space of all possible compounds
Zahed Allahyari & Artem R. Oganov
Over the past decade, evolutionary algorithms, data mining, and other methods showed great success in solving the main problem of theoretical crystallography: finding the stable structure for a given chemical composition. Here, we develop a method that addresses the central problem of computational materials science: the prediction of material(s), among all possible combinations of all elements, that possess the best combination of target properties. This nonempirical method combines our new coevolutionary approach with the carefully restructured “Mendelevian” chemical space, energy filtering, and Pareto optimization to ensure that the predicted materials have optimal properties and a high chance to be synthesizable. The first calculations, presented here, illustrate the power of this approach. In particular, we find that diamond (and its polytypes, including lonsdaleite) are the hardest possible materials and that bcc-Fe has the highest zero-temperature magnetization among all possible compounds.
