近日，機械工程學院李少波教授團隊在計算材料學領域國際頂級期刊、Nature子刊《NPJ computational materials》（5year IF=9.65）上發(fā)表了題為Generative adversarial networks (GAN) based efficient sampling of chemical composition space for inverse design of inorganic materials（用于無機材料逆向設計的基于生成對抗網(wǎng)絡的高效化學成分空間采樣方法）的研究論文。該成果以貴州大學為第一完成單位與通信單位，是我校在Nature子刊材料相關研究領域的一大突破。該成果由但雅波、李想、趙勇與其導師李少波教授共同完成，第一作者但雅波為我院今年應屆畢業(yè)碩士研究生，研究得到了國家自然科學基金、貴州省科技項目等資助。

據(jù)悉，研究論文主要利用人工智能深度學習技術中的生成對抗神經(jīng)網(wǎng)絡技術通過對已知10萬種無機化合物材料的化學分子式進行大數(shù)據(jù)分析，提取學習了各種元素的原子組合成為穩(wěn)定化合物材料的隱性規(guī)則，從而可以自動生成超大規(guī)模(千萬級)以上的潛在的新材料分子式配方。為進一步的結構預測、實驗合成提供指導。該研究成果證明了我院大數(shù)據(jù)技術在材料信息學與智能制造領域具有一定的研究實力。

綠色為訓練集已知材料；紅色為測試集的已知材料；藍色為發(fā)現(xiàn)的可能的新材料

人類已知的無機材料在可能的化學空間只是很小一部分