铁头娃 发自 凹非寺
量子位 出品 | 公众号 QbitAI
你知道今年是元素周期表诞生150周年吗?
1869年,俄国化学家门捷列夫将当时已知的63种元素写在卡片上,根据化学和物理性质进行排列,形成了元素周期表的雏形。
目前常用的元素周期表是短式表,还有长式表,特长表,平面螺线表,圆形表,甚至还有立体周期表。
现在,科学家们利用机器学习,重新挖掘元素间的关系,探索元素周期表的新形式以及材料的新可能。
元素周期表,进化!
洛桑联邦理工大学的研究人员,就使用机器学习的方式,探索了元素周期表在高维表达的可能形式。
这些新的元素关系人类无法眼见为实,所以利用机器学习可以探索更多可能。
他们根据密度泛函理论导入了近11000种四元素化合物(形式为ABCx2Dx6)的结构作为数据集。
这些化合物的结构通过原子间的位置排布和化学性质,可以被划定为不同的特征向量。
除此之外,这些化合物包括39种主族元素,包括了很大一部分常见的化合物形式。
他们通过对确定低维度的特征值来对高维度的特征向量进行简化,就像数学中为了分析曲线性质来确定坐标系一样。
他们发现,一些特定元素在低维度会聚集在一起,
那么这个聚集现象是不是与元素在周期表中的位置相关呢?
研究者将这些元素的关系进行可视化处理后,发现这些元素的关系和之前人们推导的关系很接近:
惰性气体不跟主流元素一起玩,而且个个都是独行侠;
卤族元素是一家,代表颜色尽可能一致,碱金属有样学样也一起抱团;
同族元素中,最短周期元素和其他周期元素泾渭分明,氢元素作为元素周期表的老大,跟其他同组元素比显得更为突出。
从低维度向高维度的反推过程,也表现出类似的结果。
但是在特定的数据集内容限制下,元素之间的关系发生了偏移。
在钙钛矿中,第一主族元素依旧像以前一样扎堆,
但是氢元素在算法中表现的的性质开始偏向于氢化物,
这样的氢元素更容易脱离,并与卤族元素和硫族元素结合。