电子说
来自休斯顿大学的研究者设计了一种新型机器学习算法,可在一台个人计算机上运行,并高效预测超过 10 万种合成物的性质,以搜索用于 LED 照明的最优荧光粉。他们合成并测试了其中一种通过计算预测得到的合成物:硼酸钡钠(sodium-barium-borate),并确定它能提供 95% 的效率和优越的热稳定性。
10 月 22 日,化学系助理教授 Jakoah Brgoch 及其实验室成员在 Nature Communications 期刊上发表了关于该研究的论文。
研究者使用机器学习快速扫描大量合成物,寻找关键属性,包括德拜温度和化学兼容性。Brgoch 之前曾发现德拜温度与荧光粉的效率有关。
发光二极管(LED)使用了少量稀土元素,通常是铕或铈,这些元素通常位于基质材料(如陶瓷或氧化物)内。这两种材料之间的相互作用决定了 LED 的性能。这篇论文主要介绍如何快速预测基质材料的特性。
Brgoch 说:「该项目强有力地证明了机器学习对开发高性能材料有很大价值,高性能材料领域通常由试错和简单的实证规则主导。它告诉我们应该看哪里,并指导我们的合成实践。」
除了 Brgoch,该论文的作者还包括 Brgoch 实验室的研究生 Ya Zhuo 和 Aria Mansouri Tehrani、前博士后研究员 Anton O. Oliynyk 和最近的博士生 Anna C. Duke。
Brgoch 和 UH 数据科学研究所(UH Data Science Institute)合作,并把 UH 高级计算和数据科学中心(UH Center for Advanced Computing and Data Science)的计算资源用于之前的研究。然而,用于这项研究的算法是在个人计算机上运行的。
该项目从 Pearson 的晶体结构数据库(Crystal Structure Database)中列出 118287 种可能的无机荧光粉化合物开始;该算法将这一数字削减到 2000 多。过了 30 秒后,它又生成了一份只有 20 几种可能材料的清单。
Brgoch 表示如果没有机器学习,这个过程要花费数周。
他的实验室研究机器学习和预测、合成,所以在算法推荐硼酸钡钠之后,研究员们做出了这种合成物。实验证明它非常稳定,量子产率或者效率达到 95%,但 Bugoch 说它产生的光不够蓝,不能满足商用。
这并没有令他们沮丧,他说:「现在我们能使用机器学习工具发现一种发冷光的材料,可发射出有用的波长。我们的目标不仅是使 LED 灯更高效,还要改进其颜色质量,且降低成本。」
关于这一点,研究人员称,他们证明了机器学习能极大地加速发现新材料的过程。这项研究是他们使用机器学习和计算发现变革性新材料的努力之一。
全部0条评论
快来发表一下你的评论吧 !