机器学习促进了对超硬材料的搜索

从能源生产到航空航天，工业上对超硬材料的需求都很高，但是找到合适的新材料很大程度上取决于基于经典材料(例如钻石)的反复试验。到现在。休斯顿大学和曼哈顿学院的研究人员报告了一种机器学习模型，该模型可以准确地预测新材料的硬度，从而使科学家可以更容易地找到适合用于多种应用的化合物。这项工作在《先进材料》上有报道。

极硬的材料(定义为维氏标度上的硬度值超过40吉帕斯卡的材料，这意味着需要超过40吉帕斯卡的压力才能在材料表面留下压痕)是罕见的。

UH化学副教授，该论文的通讯作者Jakoah Brgoch说：“这使得鉴定新材料具有挑战性。” “这就是为什么尽管人造金刚石具有挑战性且制造成本昂贵，但仍使用诸如合成钻石之类的材料的原因。”

复杂因素之一是，材料的硬度可能会根据所施加的压力大小而变化，这称为负载依赖性。这使得测试材料的实验变得非常复杂，并且如今几乎不可能使用计算模型。

研究人员报告的模型通过仅基于材料的化学成分来预测依赖于载荷的维氏硬度，从而克服了这一难题。研究人员报告发现发现了10多个新的有前途的稳定硼碳化物相。目前正在进行设计和生产材料的工作，以便可以在实验室中对其进行测试。

根据模型报告的准确性，赔率很好。研究人员报告准确性为97%。

UH博士研究生的第一作者张子艳(Ziyan Zhang)说，用来训练该算法的数据库是基于涉及560种不同化合物的数据，每个化合物产生几个数据点。查找所需的数据遍历数百篇已发表的学术论文，以查找构建代表性数据集所需的数据。

“所有好的机器学习项目都始于一个好的数据集，” Brgoch说道，他也是UH德克萨斯州超导中心的首席研究员。“真正的成功很大程度上在于该数据集的开发。”

除了Brgoch和Zhang，该项目的其他研究人员包括UH的Aria Mansouri Tehrani和Blake Day，以及曼哈顿学院的Anton O. Oliynyk。

Brgoch说，传统上，研究人员使用机器学习来预测硬度的单个变量，但这并不能解决诸如负载依赖性之类的特性的复杂性，他说，这种复杂性还没有得到很好的理解。尽管存在早期局限性，但这使机器学习成为一个很好的工具。

他说：“机器学习系统不需要了解物理学。” “它只是分析训练数据并根据统计数据做出新的预测。”

但是，机器学习确实有局限性。

Brgoch说：“使用机器学习的想法并不是说'这是下一个最重要的材料'，而是有助于指导我们的实验性搜索。” “它告诉你应该去哪里。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！