用于发现新型超导体的闭环机器学习
超导电性
2022-12-23 v1 材料科学
摘要
新材料的发现推动工业创新，尽管由于“尤里卡！”时刻的稀少，发现步伐往往缓慢。这些时刻通常是实验工作原定目标的旁支：“意外发现”。在此，我们展示了有意材料发现的加速——以感兴趣的材料特性为目标，同时用机器学习（ML）方法将搜索推广到大型材料空间。我们展示了一个以新型超导材料为目标的闭环 ML 发现过程，其工业应用从量子计算到传感器再到电力传输。通过闭环，即通过对 ML 生成的超导性预测结果进行实验测试并将数据反馈回 ML 模型以改进，我们证明超导发现的成功率可翻倍以上。在四个闭环周期中，我们在 Zr-In-Ni 体系中发现了一种新超导体，重新发现了训练数据集中未知的五种超导体，并确定了两个值得关注的新超导材料相图。我们的工作展示了实验反馈在 ML 驱动发现中的关键作用，并提供了明确证据，表明即使缺乏底层物理知识，此类技术也能加速发现。
关键词
引用
@article{arxiv.2212.11855,
title = {Closed-loop machine learning for discovery of novel superconductors},
author = {Elizabeth A. Pogue and Alexander New and Kyle McElroy and Nam Q. Le and Michael J. Pekala and Ian McCue and Eddie Gienger and Janna Domenico and Elizabeth Hedrick and Tyrel M. McQueen and Brandon Wilfong and Christine D. Piatko and Christopher R. Ratto and Andrew Lennon and Christine Chung and Timothy Montalbano and Gregory Bassen and Christopher D. Stiles},
journal= {arXiv preprint arXiv:2212.11855},
year = {2022}
}