机器学习引导的先进无机材料合成
材料科学
2020-11-02 v1 机器学习
计算物理
摘要
以最少试验次数合成先进无机材料，对于加速无机材料发展至关重要。现有多变量合成方法中涉及的巨大复杂性导致高不确定性、大量试验和昂贵成本。近来，机器学习（ML）已展现出在材料研究中的巨大潜力。在此，我们报道了将 ML 应用于两个代表性多变量体系中优化和加速材料合成过程。我们建立了关于化学气相沉积生长的 MoS2 的分类 ML 模型，能够优化合成条件以实现更高的成功率。同时，针对水热合成的碳量子点构建了回归模型，以增强与工艺相关的特性，如光致发光量子产率。我们进一步开发了渐进自适应模型，旨在将 ML 引入新材料合成的初始阶段。借助有效的反馈回路，可用最少试验次数优化实验结果。本工作作为概念验证，揭示了 ML 促进无机材料合成的可行性与卓越能力，并为加速材料开发开辟了新窗口。
引用
@article{arxiv.1905.03938,
title = {Machine learning-guided synthesis of advanced inorganic materials},
author = {Bijun Tang and Yuhao Lu and Jiadong Zhou and Han Wang and Prafful Golani and Manzhang Xu and Quan Xu and Cuntai Guan and Zheng Liu},
journal= {arXiv preprint arXiv:1905.03938},
year = {2020}
}