利用机器学习特征化预测并加速纳米材料合成
材料科学
2024-10-24 v2 机器学习
摘要
材料合成优化受限于依赖手动工具和直觉且跨越多个孤立表征模式的串行反馈过程。我们利用机器学习自动化并推广了反射高能电子衍射（RHEED）数据的特征提取，以在少量（~10）专家标注数据中建立定量预测关系，从而在后续生长的样品上节省大量时间。这些预测关系在一个具有代表性的材料系统（c 面蓝宝石（0001）上的 \ce{W_{1-x}V_xSe2}）中进行评估，有两个目标：1）利用生长前基底数据预测沉积薄膜的晶粒取向；2）利用原位 RHEED 作为非原位方法（例如 X 射线光电子能谱）的代理来估计钒掺杂浓度。两项任务均使用相同的材料无关特征完成，避免了特定系统的重新训练，并在 100 个样品的合成任务中潜在节省 80% 的时间。这些预测为指导以避免注定失败的试验、减少后续表征以及提高材料合成的控制分辨率提供了指导。
引用
@article{arxiv.2409.08054,
title = {Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization},
author = {Christopher C. Price and Yansong Li and Guanyu Zhou and Rehan Younas and Spencer S. Zeng and Tim H. Scanlon and Jason M. Munro and Christopher L. Hinkle},
journal= {arXiv preprint arXiv:2409.08054},
year = {2024}
}
备注
15 pages, 3 figures