近日，机械工程学院李少波教授团队在计算材料学领域国际顶级期刊、Nature子刊《NPJ computational materials》（5year IF=9.65）上发表了题为Generative adversarial networks (GAN) based efficient sampling of chemical composition space for inverse design of inorganic materials（用于无机材料逆向设计的基于生成对抗网络的高效化学成分空间采样方法）的研究论文。该成果以新宝3线路检测中心为第一完成单位与通信单位，是我校在Nature子刊材料相关研究领域的一大突破。该成果由但雅波、李想、赵勇与其导师李少波教授共同完成，第一作者但雅波为我院今年应届毕业硕士研究生，研究得到了国家自然科学基金、贵州省科技项目等资助。
据悉，研究论文主要利用人工智能深度学习技术中的生成对抗神经网络技术通过对已知10万种无机化合物材料的化学分子式进行大数据分析，提取学习了各种元素的原子组合成为稳定化合物材料的隐性规则，从而可以自动生成超大规模(千万级)以上的潜在的新材料分子式配方。为进一步的结构预测、实验合成提供指导。该研究成果证明了我院大数据技术在材料信息学与智能制造领域具有一定的研究实力。
绿色为训练集已知材料；红色为测试集的已知材料；蓝色为发现的可能的新材料
人类已知的无机材料在可能的化学空间只是很小一部分