数据驱动的材料信息学在表面科学中的应用

Abstract:

在信息技术的驱动下,大数据结合人工智能技术给物质科学的发展带来了全新的理念。越来越多的复杂科学问题的解决和新材料的实现依赖于海量和高维数据的采集和分析。高通量实验方法可以实现材料的快速探索和筛选，在较短的时间内提供大量的、可重复性的、条件高度可控的平行数据，从而构建高质量的数学和物理模型。进而，利用新型的人工智能技术如机器学习处理、可视化和分析数据并构建模型，进一步探索材料结构的形成机理以及构效关系。

本次报告，我将重点展示表面纳米结构的高通量实验制备及利用人工智能方法进行数据分析。第一部分，我将展示我们在金属表面上利用高通量实验方法制备具有单组分或双组分的表面超分子纳米结构。第二部分内容聚焦于利用新型的机器视觉方法进行图像中有机分子的自动检测、识别和分类。使用新型的计算机视觉实例分割我们发展了一种用于自动标注并且确定所研究的有机分子位置的深度学习网络。最后，我还将展示如何利用机器学习技术进行低维分子体系的快速数据分析和数据挖掘。

Bio:

孙强（男），教授、博士生导师。国家级海外高层次青年人才、上海海外高层次人才引进计划。主要从事表面物理化学、新型低维材料和新型量子材料的原子尺度精准合成以及高分辨率表征、超高真空环境设备开发。主要研究手段包括超高真空扫描探针显微镜以及光电子能谱技术。近年来，利用数据挖掘、机器学习和人工智能方法，结合高通量实验手段研究人工智能在表面科学中的应用，包括机器视觉、自动目标识别和性能预测。2017年获博士学位后，获得欧盟玛丽居里博士后项目资助在瑞士联邦材料科学与技术研究所（Empa）工作。于2020年9月加入上海大学材料基因组工程研究院。在相关领域共发表70余篇SCI论文，以第一或通讯作者身份发表的SCI论文包括Nat. Chem., Adv. Mater., JACS, Angew. Chem. Int. Ed., Nano Lett., ACS Nano。