近日，來自艾姆斯實驗室和德克薩斯A&M大學的研究人員訓練了一個機器學習(ML)模型來評估稀土化合物的穩(wěn)定性。他們開發(fā)的框架建立在目前最先進的化合物實驗和理解化學不穩(wěn)定性的方法之上。

自20世紀中期以來，埃姆斯實驗室一直是稀土研究的領導者。稀土元素具有廣泛的用途，包括清潔能源技術、能源儲存和永久磁鐵。

目前的方法是基于機器學習(ML)，這是人工智能(AI)的一種形式，由計算機算法驅(qū)動，通過數(shù)據(jù)使用和經(jīng)驗進行改進。研究人員使用升級后的艾姆斯實驗室稀土數(shù)據(jù)庫(RIC 2.0)和高通量密度泛函理論(DFT)來為他們的ML模型建立基礎。

高通量篩選是一種計算方案，允許研究人員快速測試數(shù)百個模型。DFT是一種量子力學方法，用于研究許多系統(tǒng)的熱力學和電子特性?；谶@些信息的收集，開發(fā)的ML模型使用回歸學習算法來評估化合物的相穩(wěn)定性。

科學家稱，機器學習很重要，因為當談論新的成分時，稀土界每個人都知道有序材料，然而，當你把無序材料添加到已知材料中時，情況就非常不同了。得到的組合數(shù)量變得非常大，往往是幾千或幾百萬，你不能僅用理論或?qū)嶒瀬硌芯克锌赡艿慕M合。

研究員解釋說，材料分析是基于一個離散的反饋循環(huán)，其中AI/ML模型使用新的DFT數(shù)據(jù)庫，根據(jù)從實驗中獲得的實時結構和相信息進行更新。這個過程確保信息從一個步驟帶到下一個步驟，并減少犯錯的機會。

研究員強調(diào)，這項工作只是一個開始。該團隊正在探索這種方法的全部潛力，但他們樂觀地認為該框架在未來將有廣泛的應用。

該研究論文題為"Machine-learning enabled thermodynamic model for the design of new rare-earth compounds"，已發(fā)表在Acta Materialia期刊上。

標簽： 學習算法 化合物的相穩(wěn)定性 量子力學方法 高通量篩選