新材料哺育新發明。Gorilla Glass 已經大量被應用于智能手機;凱夫拉在拯救生命之余開始進入消費級產品;鋰離子電池技術為高能耗設施提供了動力來源。但是，研發新材料卻是一項極其費時費力的任務。

創造一種全新的突破性材料是極其費時的過程 – 尤其是和那些依賴這些材料的產品的研發周期相比。波音 787 夢幻客機從概念到商業航行只花了 9 年不到;蘋果從 2005 年開始設計 iPhone，2007 年就可以正式上市。作為對比，新型材料的誕生可能要花上長達 20 年的研究和實驗。

兩年前，美國政府以突破這個科技瓶頸為目標，成立了Materials Genome Initiative(MGI)項目。MGI 的目標是大幅減少新材料研發所需的時間和財力投入。和人類基因組計劃為我們的基因繪制地圖的任務類似，科學家想要通過 MGI 找出元素間的互相作用對材料的種類和性質帶來的廣泛影響。以這些知識作為基礎，科學家和工程師們將有希望以更短的周期為不同應用“定制”相應的材料。

元素間排列組合的數目多如牛毛，其中大多數對我們來說沒有意義。而試圖在實驗室里窮盡這些排列組合是完全不合實際的。所以，MGI 的一些項目組已經開始借助大數據的力量來模擬所有的可能性，然后通過分析數據向有潛力的方向進行深入研究。

成立多年以來，MGI 促成了一些第三方項目的合作。其中就有來自麻省理工學院的Materials Project和哈佛的Clean Energy Project。這兩個計劃以相似的理論基礎尋求不同的答案。前者的研究集中在無機固體上，尤其以電池材料為主，而后者的清潔能源計劃以可用于太陽能電池的分子材料為中心。兩者均利用密度泛函理論(Density Functional Theory)收集的巨型數據庫來預測模擬物質模型的實際屬性。

MIT 的 Material Project 大約在 8 年前在 Gerbrand Ceder 教授的幫助下成立。作為多家公司的顧問，Ceder 積累了大量成果。但是和少數公司的合作使得這些寶貴數據被封閉起來。“如果我們向所有人提供這些數據，人們會創造出很多驚人的成果，這就是 Materials Project，”他說。目前， MIT 的數據庫里保存了大約 10 萬種已知或理論上的材料信息。為了充分發揮這些數據在新材料研發中的作用，MIT 學者用人工篩選加機器學習的方式來探索各種化學定律。

類似的，哈佛清潔能源計劃也用人工加機器組合來探索其數據庫。該計劃始于一次對有機太陽能電池材料概念的驗證實驗。學者們完全虛擬的情況下計算了大約 15 種新型混合物在現實世界里的表現。模擬運算的最終結果是一種有超強電氣性質的新物質。這還只是一名研究生通過幾次實驗得出的結果，想象如果從一支志愿者大軍那兒借來他們的運算能力，結果會放大多少?

這正是清潔能源計劃如今采用的策略：任何人都可以通過在電腦上下載一個程度來進行運算并把返還結果。有了這個可任意支配的巨大資源，學者們已經計算了幾百萬種潛在組合 – 這僅僅是個開端。“項目進入了一個十分有趣的階段”Hachmann 博士說，“對我們來說差不多是從辛勤勞動中采集碩果的時候了。”目前，哈佛在網上發布了230萬種混合物組合供所有人研究使用。雖然這些數據的初衷是助力太陽能電池的研發，科學家也可用任何有價值的信息來幫助其它方面的研究。MIT 也有個網絡入口供人們讀取 Materials Project 的數據。

Ceder 希望偉大的 MGI 計劃能夠完成它的使命。事實上，Ceder 已經看到一些成果了，他正在為一項新的電池材料申請專利，這對于成長中的 MGI 和電池技術開發來說都是很好的成績。Ceder 認為互聯網和大數據的加入能為這個計劃帶來無法預知的進步和發現，“當擁有這種組合的時候，你無法預測人們將會帶給你什么。”

原文鏈接：http://www.36kr.com/p/206581.html