AI 增强的金磷硫化物发现与加速合成
材料科学
2026-01-26 v1
摘要
金磷硫化物作为独特的多功能材料，因合成挑战而远离更成熟的材料类（如氧化物和硝化物）。因此，实验开发和理论理解主要聚焦于单个化合物，而非加速的广泛探索。本文首先通过密度泛函理论评估 909 种假设的三元磷硫化物的可合成性和带隙。我们发现 19 种此前未知的热力学稳定化合物，包括首个硅和锗基磷硫化物。为快速预测带隙，我们随后开发了多保真度机器学习模型，将半局部密度泛函理论带隙翻译为实验校准后的带隙。重要的是，我们将加速材料开发工作流程扩展到实验领域，通过薄膜组合式库合成和表征，实现对几乎任何磷硫化物材料体系的高通量合成。该方法在每个实验中产生 100 多种独特配方，使我们仅通过四次组合实验即可合成四种不同的磷硫化物化合物，且无需事先的合成配方，且不牺牲材料质量。因此，我们认为，结合理论、人工智能、合成和表征的加速材料开发工作流程即便针对实验上具有挑战的无机材料也可行。
引用
@article{arxiv.2601.16693,
title = {AI-enhanced discovery and accelerated synthesis of metal phosphosulfides},
author = {Javier Sanz Rodrigo and Nicholas A. Kryger-Nelson and Lena A. Mittmann and Eugène Bertin and Ivano E. Castelli and Andrea Crovetto},
journal= {arXiv preprint arXiv:2601.16693},
year = {2026}
}