準確率達95％機器學習預測復雜新材料合成

　　據22日發表在《科學進展》雜志上的一項研究，美國西北大學和豐田研究所研究人員已成功應用機器學習來指導新納米材料的合成，消除與材料發現相關的障礙。這種訓練有素的算法，可通過定義數據集來準確預測可用于清潔能源、化學和汽車行業燃料的重要催化劑。

　　論文通訊作者、美國西北大學納米技術專家查得·米爾金此次發明的數據生成工具 “巨庫”極大地擴展了研究人員的視野。每個“巨庫”都包含數百萬甚至數十億個納米結構，每個納米結構的形狀、結構和成分都略有不同，所有這些都在2×2平方厘米的芯片上進行了位置編碼。迄今為止，每個芯片包含的新無機材料比科學家收集和分類的還要多。

　　研究團隊通過使用聚合物筆光刻技術開發了“巨庫”，這是一種大規模并行納米光刻工具，能夠每秒對數十萬個特征進行特定位置的沉積。

　　在繪制人類基因組圖譜時，科學家的任務是識別四種堿基的組合。但“材料基因組”包括元素周期表中任何可用元素的納米粒子組合，以及形狀、大小、相形態、晶體結構等參數。以“巨庫”的形式構建更小的納米粒子子集，將使研究人員更接近完成材料基因組的完整圖譜。

　　米爾金說，即使是類似于材料基因組的東西，確定如何使用或標記它們，也需要不同的工具。機器學習應用程序非常適合解決定義和挖掘材料基因組的復雜性，但卻受限于創建數據集以在空間中訓練算法的能力。“巨庫”與機器學習的結合可能最終會解決這個問題，從而了解哪些參數會驅動某些材料特性。

　　在該項研究中，米爾金團隊編譯了先前生成的由具有復雜成分、結構、尺寸和形態的納米粒子組成的“巨庫”結構數據。他們使用這些數據來訓練模型，并要求它預測會產生某種結構特征的四個、五個和六個元素的組成。在19次預測中，機器學習模型正確預測了18次新材料，準確率約為95%。

　　該模型在西北大學建立的大型數據集上，以尋找具有圍繞相位、尺寸和其他結構特征設置參數的多金屬納米粒子，而這些參數會改變納米粒子的特性和功能。

　　研究人員表示，該技術或能推動對未來至關重要的許多領域中的發現，包括塑料升級回收、太陽能電池、超導體和量子比特。該團隊現在正在使用這種方法尋找對清潔能源、汽車和化工行業的燃料過程至關重要的催化劑。確定新的綠色催化劑將使廢物和大量原料轉化為有用物質促進氫氣產生、二氧化碳利用和燃料電池的開發。