休斯顿大学：机器学习如何与材料预测完美结合？

图片来源：休斯顿大学

休斯顿大学的研究人员发明了一种新的机器学习算法，这种算法十分高效，不仅可以在个人电脑上运行，还能预测超过10万种化合物的性质，以寻找最有可能成为LED照明的高效荧光粉。然后他们合成并测试了一种化合物—硼酸钡，并确定它能提供95％的量子效率以及出色的热稳定性。

研究人员根据预测计算结果，合成并测试了其中一种化合物——钠-钡-硼酸盐，并确定其具有95%的效率和优异的热稳定性。化学助理教授Jakoah Brgoch及其实验室成员于10月22日将以上研究成果发表在了《自然•通讯》杂志上。 研究人员利用机器学习技术快速扫描了大量的化合物，以确定其关键属性，包括德拜温度和化学相容性。Brgoch之前已经证明德拜温度与荧光粉效率相关 。

以发光二极管(LED)为基础的灯泡需少量稀土元素才能工作，通常是铕或铈（可以在陶瓷或氧化物宿主中得到），这两种材料之间的相互作用决定了LED灯的性能。而该研究的重点是快速预测宿主材料的性能。

Brgoch表示，该项目提供了强有力的证据证明机器学习可以为开发高性能材料带来价值，这一领域传统上由反复试验和简单的经验规则引导。“它对我们的合成有深入的指导。”他说。

除了Brgoch，该论文的研究人员还包括实验室的研究生Ya Zhuo和Aria Mansouri Tehrani，博士后研究员Brgoch Anton 和O. Oliynyk博士，以及毕业生Anna C. Duke。

Brgoch等人与UH数据科学研究所合作，并利用UH高级计算和数据科学中心的计算资源。然而，用于这项工作的算法是在个人计算机上运行的。

该项目首先列出了来自Pearson晶体结构数据库的118287种可能的无机磷化合物；算法将其筛选削减到2000个，又过了30秒，结果筛选出大约二十几种有前途的材料清单。

Brgoch说，这个过程如果没有机器学习需要数周。

经过机器筛选和预测后，研究人们同意算法推荐的硼酸钡钠是一个很好的候选者后，并成功合成这种化合物。

它被证明是稳定的，量子产率或效率为95％，但Brgoch说产生的光过蓝而不具商业价值。但这并不令人沮丧，他说，“现在我们可以使用机器学习工具找到长发射波长的发光材料。我们的目标是让LED灯泡不仅更高效，还能提高色彩质量，同时降低成本。”