材料是人类生产生活的物质基础,是直接推动社会发展的动力。但目前的材料发现仍然涉及重大的反复试验,可能需要数十年的研究才能确定适合于技术应用的材料。这一漫长发现过程的主要原因是,潜在材料的数量是巨大的,明智地选择要关注的材料以及进行哪些实验荆棘密布。面对竞争激励的制造业和快速的经济发展,材料科学家和工程师必须缩短新材料研的发周期,以解决21世纪的巨大挑战。然而,当前的新材料研发主要依据研究者的科学直觉和大量重复的“尝试法”实验。通过实验或高性能原理模拟的材料数量与预期潜在的多样性相比显得相形见绌。近年来,人工智能(Artificial Intelligence:AI)取得了令人兴奋的进展,其中机器学习(Machine Learning:ML)和深度学习(Deep Learning:DL)技术的应用为人们在各种领域的任务中带来了竞争性的表现,加上越来越多的具有实验和/或计算特性的材料数据库的可用性激发了研究人员采用先进的基于数据驱动的材料发现技术的兴趣,以加速发现具有精选工程的新材料。本研究在国家自然科学基金项目“基于机器学习与图像处理算法的高通量组合材料实验相图生成与物相辨识方法研究”(项目编号:51741101)支持下,针对巨大的潜在材料的数量而无法明智地选择要关注的材料的问题,采用深度学习方法设计出能高效采样的无机化合物生成模型和能精确预测材料属性的筛选模型,基于这两个模型进行无机化合物新材料的发现,对提高材料的研发效率具有重要的理论和现实意义。主要工作及创新点如下:提出了一种基于生成对抗网络(Generative Adversarial Networks:GAN)的无机材料生成模型Mat GAN,可以从庞大的无机材料的化学设计空间中进行有效的采样。系统的实验和验证表明,Mat GAN在生成能力方面可以实现高度的唯一性,有效性和多样性。通过扩展无机晶体结构数据库(Inorganic Crystallographic Structure Database:ICDS),材料项目(Materials Project:MP)和开放量子材料数据库(Open Quantum Materials Database:OQMD),本研究设计的Mat GAN生成模型可用于探索未知的无机材料设计空间。与彻底筛选数十亿个候选对象相比,导出的扩展数据库可用于更高效率的高通量计算筛选。尽管已采用电荷中性和电负性平衡原理来过滤化学上难以置信的成分,以便更有效地搜索新材料,但此类明确的成分规则仍然过于宽松,无法确保在广阔的化学设计空间中对新材料进行有效采样。虽然可以列举出少于5种元素的假设材料(对于具有电荷中性和平衡电负性的4元素材料而言为320亿种材料),但是更多元素的设计空间可能具有挑战性,而Mat GAN模型可以提供很大帮助。设计了一种材料的层次式表征方法,基于该表征方法提出了包含全卷积层的卷积神经网络材料属性预测模型。通过设计特殊的卷积算子,该模型能很好的从材料的原始输入矩阵中提取出有用的特征,进行最后的回归任务。利用ICSD中的数据进行不同任务的有监督训练,建立了能预测材料带隙的ICSD-BG和能预测材料形成能量的ICSD-FE的高精度预测模型。建立的模型在测试集上的预测表现和在验证集上的表现基本一致,这保证了后续用预测模型在Mat GAN生成的假设材料中进行筛选的可靠性。将ICSD-FE施加于GAN-ICSD生成的假设材料上进行筛选,筛选出形成能量较低的材料。在筛选出的形成能量较低的材料基础上,用ICSD-BG继续筛选带隙在1.0～2.0e V之间的材料。将筛选出的材料的带隙在1.0～2.0e V以及这些材料用ICSDFE预测的形成能量值放在了http://github/danyabo/appendix.com以供研究者们进行后续的DFT仿真计算或实验合成。