材料专家-人工智能：用于材料发现

材料数据库的出现为从海量数据空间中揭示新兴材料性质的预测性描述符提供了前所未有的机遇。然而，对高通量从头算数据的普遍依赖必然继承了此类数据的局限性：与实验不匹配。另一方面，实验决策通常由专家的直觉引导，这种直觉源自经验，但很少被明确阐述。我们提出使用机器学习将这种操作直觉“封装”为可量化的描述符，使用精心整理的基于测量的数据。我们引入“材料专家-人工智能”（ME-AI）来封装并阐述这种人类直觉。作为迈向该计划的第一步，我们聚焦于方网材料中的拓扑半金属（TSM），其性质受专家基于结构信息识别的描述符——容差因子——启发。我们首先整理了一个包含879种方网材料12个主要特征的数据集，并尽可能使用实验数据。然后，我们使用基于狄利克雷的高斯过程回归，并采用专用核函数，来揭示方网拓扑半金属的复合描述符。ME-AI学习到的描述符独立地复现并扩展了专家直觉。具体而言，新的描述符指出超价是预测方网化合物中TSM的关键化学特征。我们在一个精心定义的问题上取得的成功表明，“机器封装人类洞察”的方法对于机器学习辅助的材料发现很有前景。