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。