面向高电导率的P3HT-CNT复合薄膜机器学习与高通量鲁棒设计
应用物理
2020-11-23 v1 材料科学
摘要
将高通量实验与机器学习结合，可快速优化参数空间以实现目标性质。本研究中，我们展示机器学习与多标签数据集结合还可用于科学理解与假设检验。我们引入一种自动化流动系统，具备高通量滴涂制膜及光学与电学性质快速表征能力，可在单日内完成约160个全标签样本的一次学习循环。我们将区域规整聚3己基噻吩与多种碳纳米管结合，实现高达1200 S/cm的电导率。有趣的是，当加入10%双壁碳纳米管与长单壁碳纳米管时出现非直观的局部最优，其电导率高达700 S/cm，我们随后用高保真光学表征加以解释。采用数据集重采样策略与基于图的回归，使我们能考虑实验成本及相关多输出的不确定性估计，并支持证明电荷离域与电导率关联的假设。因此我们提出了一种鲁棒的机器学习驱动高通量实验方案，可应用于优化并理解复合材料或有机-无机杂化材料的性质。
引用
@article{arxiv.2011.10382,
title = {Machine learning and high-throughput robust design of P3HT-CNT composite thin films for high electrical conductivity},
author = {Daniil Bash and Yongqiang Cai and Vijila Chellappan and Swee Liang Wong and Yang Xu and Pawan Kumar and Jin Da Tan and Anas Abutaha and Jayce Cheng and Yee Fun Lim and Siyu Tian and Danny Zekun Ren and Flore Mekki-Barrada and Wai Kuan Wong and Jatin Kumar and Saif Khan and Qianxiao Li and Tonio Buonassisi and Kedar Hippalgaonkar},
journal= {arXiv preprint arXiv:2011.10382},
year = {2020}
}
备注
10 pages, 5 figures, includes Supplementary Information