研究人员开发了一种机器学习模型，可以准确地预测新材料的硬度，使科学家更容易发现适用于各种应用的化合物。
超硬材料在工业中有很大的需求，从能源生产到航空航天，但发现合适的新材料在很大程度上是基于钻石等经典材料的试验和错误问题。到目前为止。
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，可以准确地预测新材料的硬度，使科学家能够更容易发现适合于各种应用的化合物。这项工作报告了先进材料。
超硬的材料 - 定义为Vickers规模超过40种千兆卡斯卡的那些，这意味着它会花费超过40种千兆位的压力来留下物质表面上的压痕 - 很少见。
“这使得识别新材料挑战，”休斯顿大学化学副教授和本文的通讯作者副教授Jakoah Brgoch说。“这就是为什么仍然使用了合成钻石等材料，即使它们是挑战和昂贵的制造。”
一种复杂因素是，材料的硬度可以根据施加的压力量而变化，称为负载依赖性。这使得通过实验复杂的材料进行测试，并使用今天的计算建模几乎不可能。
由研究人员报告的模型克服了通过仅基于材料的化学成分来预测负载依赖的维氏硬度。研究人员报告发现了10多个新的和有前途的稳定硼化物阶段;现在正在设计和生产材料，以便在实验室中进行测试。
基于模型报告的准确性，赔率很好。研究人员报告了97％的准确性。
第一作者Ziyan Zhang，oh oh博士生如，所述数据库构建为训练该算法是基于涉及560种不同化合物的数据，每个数据都产生了几个数据点。寻找有超过数百个发布的学术论文所需的数据，以查找构建代表数据集所需的数据。
“所有好的机器学习项目都以良好的数据集开始，”Brgoch说，他也是一个主要的调查员，其中佛罗里达州的德克萨斯州超导中心.“真正的成功基本上是这个数据集的发展。”
除了BRGOCH和张外，该项目的其他研究人员还包括ARIA Mansouri Tehrani和Blake Day，无论是UH和曼哈顿学院的安东尼o. Oliynyk。
Brgoch表示，研究人员使用机器学习来预测单个硬度的硬度变量，但这并没有考虑加载依赖性等财产的复杂性，他说仍然不太了解。尽管早期限制，这使得机器学习一个好工具。
“机器学习系统不需要了解物理学，”他说。“它只是分析了培训数据，并根据统计数据进行新的预测。”
但是，机器学习确实有局限性。
“使用机器学习的想法不是说，”这是下一个最大的材料，而是为了帮助指导我们的实验搜索，“布尔戈奇说。“它告诉你你应该在哪里看。”
参考：“通过集团学习找到下一个超硬材料”，由Ziyan Zhang，Aria Mansouri Tehrani，Anton O. Oliynyk，Blake Day和Jakoah Brgoch，2020年12月4日，先进的材料.DOI：
10.1002 / ADMA.202005112
