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定性。他們開發的框架建立在目前最先進的化合物實驗和理解化學不穩定性的方法之上。
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，由計算機算法驅動，通過數據使用和經驗進行改進。研究人員使用升級后的艾姆斯實驗室稀土數據庫（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百個模型。DFT是一種量子力學方法，用于研究許多系統的熱力學和電子特性。基于這些信息的收集，開發的ML模型使用回歸學習算法來評估化合物的相穩定性。
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。得到的組合數量變得非常大，往往是幾千或幾百萬，你不能僅用理論或實驗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離散的反饋循環，其中AI/ML模型使用新的DFT數據庫，根據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，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"，已發表在Acta Materialia期刊上。
前瞻經濟學人APP資訊組
本文來源前瞻網，轉載請注明來源。本文內容僅代表作者個人觀點，本站只提供參考并不構成任何投資及應用建議。（若存在內容、版權或其它問題，請聯系）
