機器學習於陶瓷（machine learning for ceramics）

第一原理計算從物理定律預測一種陶瓷。機器學習走相反的路：它從數據學習。餵給模型數千個已知的組成或製程紀錄，每一個都標註了它所產生的性質，模型便學會連接兩者的模式——這樣當你交給它一個它從未見過的新配方時，它就能預測性質，而無須任何人去解背後的物理。這是大規模的模式比對，被變成一種工具，用來猜下一個該做哪種陶瓷。

流程說起來很簡單。第一，把每種材料表示成一串數字，也就是它的特徵：組成的描述子（平均原子半徑、電負度、價數）、結構的、以及製程的（燒結溫度、時間、氣氛）。第二，用一組「特徵配對量測性質」的資料集，訓練一個模型——隨機森林、高斯過程、或神經網路。第三，用訓練好的模型去預測並排序尚未嘗試的候選，再讓主動學習或貝葉斯最佳化挑出資訊量最大的那一個實驗來做，把迴圈閉合。這在物理糾纏到無法直接計算之處特別有力：高熵陶瓷那天文數字般龐大的組成空間，或從燒成排程到最終密度與晶粒尺寸那種雜亂、經驗性的關聯。

機器學習於陶瓷之所以重要，是因為它能加速發現、最佳化那些沒有方程式能好好描述的製程排程、並讀取顯微組織影像來預測性質。但要一絲不苟地老實：模型的好壞取決於它的數據，而陶瓷數據稀少、有雜訊、偏向已被嘗試過的東西、且回報方式參差不一。模型在它受訓的空間內能內插，但一旦越界就外推得很糟，而且它不懂物理——它會欣然輸出一個自信卻荒謬的預測。垃圾進、垃圾出。機器學習是一盞探照燈，但仍需要領域知識來瞄準它、需要實驗來確認它找到的東西。