近日，來自艾姆斯實(shí)驗(yàn)室和德克薩斯A&M大學(xué)的研究人員訓(xùn)練了一個(gè)機(jī)器學(xué)習(xí)（ML）模型來評(píng)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(jìn)的化合物實(shí)驗(yàn)和理解化學(xué)不穩(wěn)定性的方法之上。
自20世紀(jì)中期以來，埃姆斯實(shí)驗(yàn)室一直是稀土研究的領(lǐng)導(dǎo)者。稀土元素具有廣泛的用途，包括清潔能源技術(shù)、能源儲(chǔ)存和永久磁鐵。
目前的方法是基于機(jī)器學(xué)習(xí)（ML），這是人工智能（AI）的一種形式，由計(jì)算機(jī)算法驅(qū)動(dòng)，通過數(shù)據(jù)使用和經(jīng)驗(yàn)進(jìn)行改進(jìn)。研究人員使用升級(jí)后的艾姆斯實(shí)驗(yàn)室稀土數(shù)據(jù)庫(kù)（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(chǔ)。
高通量篩選是一種計(jì)算方案，允許研究人員快速測(cè)試數(shù)百個(gè)模型。DFT是一種量子力學(xué)方法，用于研究許多系統(tǒng)的熱力學(xué)和電子特性。基于這些信息的收集，開發(fā)的ML模型使用回歸學(xué)習(xí)算法來評(píng)估化合物的相穩(wěn)定性。
科學(xué)家稱，機(jī)器學(xué)習(xí)很重要，因?yàn)楫?dāng)談?wù)撔碌某煞謺r(shí)，稀土界每個(gè)人都知道有序材料，然而，當(dāng)你把無(wú)序材料添加到已知材料中時(shí)，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(wàn)，你不能僅用理論或?qū)嶒?yàn)來研究所有可能的組合。
研究員解釋說，材料分析是基于一個(gè)離散的反饋循環(huán)，其中AI/ML模型使用新的DFT數(shù)據(jù)庫(kù)，根據(jù)從實(shí)驗(yàn)中獲得的實(shí)時(shí)結(jié)構(gòu)和相信息進(jìn)行更新。這個(gè)過程確保信息從一個(gè)步驟帶到下一個(gè)步驟，并減少犯錯(cuò)的機(jī)會(huì)。
研究員強(qiáng)調(diào)，這項(xiàng)工作只是一個(gè)開始。該團(tuán)隊(duì)正在探索這種方法的全部潛力，但他們樂觀地認(rèn)為該框架在未來將有廣泛的應(yīng)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。
前瞻經(jīng)濟(jì)學(xué)人APP資訊組
本文來源前瞻網(wǎng)，轉(zhuǎn)載請(qǐng)注明來源。本文內(nèi)容僅代表作者個(gè)人觀點(diǎn)，本站只提供參考并不構(gòu)成任何投資及應(yīng)用建議。（若存在內(nèi)容、版權(quán)或其它問題，請(qǐng)聯(lián)系）
