王川: 从 chatGPT 看人工智能的投资机会和风险

第一作者：王川杨宝鹏通讯作者：王川张宁*，刘敏*通讯单位：中南大学材料科学与工程学院，中南大学物理与电子学院研究背景氨(NH3)是一种重要的工业化学品，是制作化工品与化肥的重要原料，同时也被认为是一种绿色能源储存/转化的载体。

基于此，看人本文对机器学习进行简单的介绍，看人并对机器学习在材料领域的应用的研究进展进行详尽的论述，根据前人的观点，总结机器学习在材料设计领域的新的发展趋势，以期待更多的研究者在这个方向加以更多的关注。图3-7 单个像素处压电响应的磁滞回线：工智原始数据（蓝色圆圈），传统拟合曲线（红线）和降噪处理后的曲线（黑线）。

图3-1机器学习流程图图3-2 数据集分类图图3-3                       图3-3 带隙能与电离势关系图图3-4 模型预测数据与计算数据的对比曲线2018年Zong[5]等人采用随机森林算法以及回归模型，投资来研究超导体的临界温度。随后，和风2011年夏天，奥巴马政府宣布了材料基因组计划(MaterialsGenomeInitiative,简称MGI)，该计划在材料科学中掀起了一场革命。王川机器学习分类及对应部分算法如图2-2所示。

首先，看人根据SuperCon数据库中信息，对超过12,000种已知超导体和候选材料的超导转变温度（Tc）进行建模。此外，工智目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。

投资利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。

然后，和风采用梯度提升决策树算法，建立了8个预测模型（图3-1），其中之一为二分类模型，用于预测该材料是金属还是绝缘体。王川图3 Flow Cell电解池中的NO3−还原性能：(a)反应装置内部示意图。

通过DFT计算，看人预测了吡啶氮掺杂的碳与金属Co复合能够有效地诱导Co失去电子，形成匮电子态的Co。工智(c)不同电位下NH3的产率。

其生成NH3的法拉第效率高达97.8±2.0%，投资在低浓度的NO3−电解液中，NO3−的去除率接近100%。从环保和能源的角度来看，和风通过绿色电能的驱动，将废水中的NO3−转化为高附加值的NH3是一种既节能又环保的途径。