闭环纠错学习加速热电材料的实验发现
材料科学
2023-07-21 v1 机器学习
摘要
考虑到巨大的材料空间，加上掺杂带来的指数级自由度以及合成路径的多样性，热电材料的探索颇具挑战。在此，我们试图通过采用纠错学习（ECL）整合历史数据，并利用实验反馈对其进行更新与精炼。因此我们从前置数据集学习，随后使模型适应于否则难以参数化的合成与表征差异。我们将该策略应用于发现热电材料，优先在 < 300{\deg}C 温度下合成。我们记录了一个先前未报道的热电材料化学族 PbSe:SnSb，发现该化学族中最佳候选、掺 2 wt% SnSb 的 PbSe，其功率因子超过 PbSe 的 2 倍。我们的研究表明，与由最先进机器学习模型驱动的高通量搜索相比，我们的闭环实验策略将找到优化材料所需的实验数量减少了多达 3 倍。我们还观察到，这种改进依赖于前置数据的准确性并呈现收益递减；在达到某一准确度后，决定趋势的是与实验路径相关的因素。
引用
@article{arxiv.2302.13380,
title = {Closed-loop Error Correction Learning Accelerates Experimental Discovery of Thermoelectric Materials},
author = {Hitarth Choubisa and Md Azimul Haque and Tong Zhu and Lewei Zeng and Maral Vafaie and Derya Baran and Edward H Sargent},
journal= {arXiv preprint arXiv:2302.13380},
year = {2023}
}