组合数据方法可以加快新材料的开发

机器学习增强了用于更便宜地预测材料性能的实验和计算方法。的研究人员已经开发出一种方法，该方法可以将高通量实验和计算数据与机器学习相结合，从而更好地预测材料的性能。该方法可以帮助加快新材料的开发，并已发表在《先进材料科学与技术》杂志上。

科学家使用涉及大量并行实验的高通量实验来快速绘制由不同数量的相同元素制成的材料的成分，结构和特性之间的关系。这有助于加速新材料的开发，但通常需要昂贵的设备。

另一方面，高通量计算使用计算模型基于材料的电子密度来确定材料的性能，电子密度是电子占据极小的空间的概率的量度。它比物理实验更快，更便宜，但准确性低得多。

NEC Corporation研究实验室的材料信息学专家岩崎由马(Yuma Iwasaki)与同事一起，结合了两种高通量方法，同时兼顾了两者的优势，并将它们与机器学习相结合，以简化流程。

岩崎说：“我们的方法具有准确，快速地预测材料性能的潜力，从而可以缩短各种材料的开发时间。”

他们使用由铁，钴和镍制成的100纳米薄膜在蓝宝石衬底上铺展来测试他们的方法。这三种元素的各种可能组合沿胶片分布。这些“成分扩展样本”用于在一个样本中测试许多相似的材料。

该团队首先对样品进行了一种简单的高通量技术，称为组合X射线衍射。所得的X射线衍射曲线提供了有关样品的晶体结构，化学成分和物理性质的详细信息。

然后，团队使用机器学习将这三种数据的每种组合的数据分解为单独的X射线衍射曲线。高通量计算有助于定义每种组合的磁性能。最后，进行计算以减小实验数据与计算数据之间的差异。

他们的方法使他们能够成功地绘制出铁，钴和镍成分扩散的“克尔旋转”，代表了从磁化表面反射回来的光所发生的变化。该特性对于光子学和半导体器件中的各种应用很重要。

研究人员说，他们的方法仍然可以改进，但是就目前而言，它可以绘制成分散布的磁矩，而无需诉诸更困难和昂贵的高通量实验。

　　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！