选自phys.org
作者：UniversityofHouston
机器之心编译
来自休斯顿大学的研究者设计了一种新型机器学习算法，可在一台个人计算机上运行，并高效预测超过10万种合成物的性质，以搜索用于LED照明的最优荧光粉。他们合成并测试了其中一种通过计算预测得到的合成物：硼酸钡钠（sodium-barium-borate），并确定它能提供95%的效率和优越的热稳定性。
10月22日，化学系助理教授JakoahBrgoch及其实验室成员在NatureCommunications期刊上发表了关于该研究的论文。
研究者使用机器学习快速扫描大量合成物，寻找关键属性，包括德拜温度和化学兼容性。Brgoch之前曾发现德拜温度与荧光粉的效率有关。
发光二极管（LED）使用了少量稀土元素，通常是铕或铈，这些元素通常位于基质材料（如陶瓷或氧化物）内。这两种材料之间的相互作用决定了LED的性能。这篇论文主要介绍如何快速预测基质材料的特性。
Brgoch说：「该项目强有力地证明了机器学习对开发高性能材料有很大价值，高性能材料领域通常由试错和简单的实证规则主导。它告诉我们应该看哪里，并指导我们的合成实践。」
除了Brgoch，该论文的作者还包括Brgoch实验室的研究生YaZhuo和AriaMansouriTehrani、前博士后研究员AntonO.Oliynyk和最近的博士生AnnaC.Duke。
Brgoch和UH数据科学研究所（UHDataScienceInstitute）合作，并把UH高级计算和数据科学中心（UHCenterforAdvancedComputingandDataScience）的计算资源用于之前的研究。然而，用于这项研究的算法是在个人计算机上运行的。
该项目从Pearson的晶体结构数据库（CrystalStructureDatabase）中列出种可能的无机荧光粉化合物开始；该算法将这一数字削减到多。过了30秒后，它又生成了一份只有20几种可能材料的清单。
Brgoch表示如果没有机器学习，这个过程要花费数周。
他的实验室研究机器学习和预测、合成，所以在算法推荐硼酸钡钠之后，研究员们做出了这种合成物。实验证明它非常稳定，量子产率或者效率达到95%，但Bugoch说它产生的光不够蓝，不能满足商用。
这并没有令他们沮丧，他说：「现在我们能使用机器学习工具发现一种发冷光的材料，可发射出有用的波长。我们的目标不仅是使LED灯更高效，还要改进其颜色质量，且降低成本。」
关于这一点，研究人员称，他们证明了机器学习能极大地加速发现新材料的过程。这项研究是他们使用机器学习和计算发现变革性新材料的努力之一。
论文：Identifyinganefficient,thermallyrobustinorganicphosphorhostviamachinelearning
论文链接：
转载请注明地址:http://www.1xbbk.net/jwbls/7376.html
