10 月 22 日，化學系助理教授 Jakoah Brgoch 及其實驗室成員在 Nature Communications 期刊上發表了關於該研究的論文。
研究者使用機器學習快速掃描大量合成物，尋找關鍵屬性，包括德拜溫度和化學相容性。Brgoch 之前曾發現德拜溫度與熒光粉的效率有關。
發光二極體（LED）使用了少量稀土元素，通常是銪或鈰，這些元素通常位於基質材料（如陶瓷或氧化物）內。這兩種材料之間的相互作用決定了 LED 的效能。這篇論文主要介紹如何快速預測基質材料的特性。
Brgoch 說：「該專案強有力地證明了機器學習對開發高效能材料有很大價值，高效能材料領域通常由試錯和簡單的實證規則主導。它告訴我們應該看哪裡，並指導我們的合成實踐。」
除了 Brgoch，該論文的作者還包括 Brgoch 實驗室的研究生 Ya Zhuo 和 Aria Mansouri Tehrani、前博士後研究員 Anton O. Oliynyk 和最近的博士生 Anna C. Duke。
Brgoch 和 UH 資料科學研究所（UH Data Science Institute）合作，並把 UH 高階計算和資料科學中心（UH Center for Advanced Computing and Data Science）的計算資源用於之前的研究。然而，用於這項研究的演算法是在個人計算機上執行的。
該專案從 Pearson 的晶體結構資料庫（Crystal Structure Database）中列出 118287 種可能的無機熒光粉化合物開始；該演算法將這一數字削減到 2000 多。過了 30 秒後，它又生成了一份只有 20 幾種可能材料的清單。
Brgoch 表示如果沒有機器學習，這個過程要花費數週。
他的實驗室研究機器學習和預測、合成，所以在演算法推薦硼酸鋇鈉之後，研究員們做出了這種合成物。實驗證明它非常穩定，量子產率或者效率達到 95%，但 Bugoch 說它產生的光不夠藍，不能滿足商用。
這並沒有令他們沮喪，他說：「現在我們能使用機器學習工具發現一種發冷光的材料，可發射出有用的波長。我們的目標不僅是使 LED 燈更高效，還要改進其顏色質量，且降低成本。」
關於這一點，研究人員稱，他們證明了機器學習能極大地加速發現新材料的過程。這項研究是他們使用機器學習和計算發現變革性新材料的努力之一。
論文：Identifying an efficient, thermally robust inorganic phosphor host via machine learning
論文連結：https://www.nature.com/articles/s41467-018-06625-z
稀土取代的無機熒光粉對於固態物質照明很重要。傳統上一般透過化學經驗、試驗以及試錯合成來識別有潛力的新熒光粉，這些方法很難發現潛在的效能材料。這裡，我們應用了支援向量機迴歸模型來預測熒光粉基質晶體結構的德拜溫度，這個指標有望取代利用高吞吐量密度泛函理論估計帶隙計算的光致發光量子產率。
該平臺可以幫助識別在其它情況下可能被忽略的熒光體。在德拜溫度最高、帶隙最大的合成物中，NaBaB9O15 表現出了驚人的潛力。根據合成和結構表徵，其結構剛性被證實來自一個共享 [B3O7]5-聚陰離子骨架的唯一角落。用 Eu2+代替這種材料可以產生紫外激發帶和 416 nm 的窄帶紫外發射，半峰全寬為 34.5 nm。更重要的是，NaBaB9O15:Eu2+具有 95% 的量子產率和優異的熱穩定性。
圖 1：預測德拜溫度的機器學習模型交叉驗證圖。（a）預測德拜溫度（ΘD,SVR）的十折交叉驗證（CV）vs 計算所得德拜溫度（ΘD,DFT）。虛線是理想分界線，實線是擬合分界線。（b）根據化合物在 CV 預測的ΘD,SVR 和ΘD,DFT 之間的百分比誤差來確定化合物的分數。紅色曲線顯示了趨勢。
原文地址：https://phys.org/news/2018-10-algorithm-quickly-materials.html