1. 首頁 > 生活經驗 > >

新的機器學習方法預測哪些2D材料可以合成

知識經驗


新的機器學習方法預測哪些2D材料可以合成

文章插圖
機器學習和人工智能正被應用到越來越多的任務中，從識別照片中的人臉到推薦電影，甚至開車 。使機器學習如此有效的關鍵因素是大量標記數據的可用性 。很長時間以來，人們一直在為谷歌、臉書和網飛的數據添加標簽，方法是在圖片中標記朋友，在登錄前在顆粒圖像中識別停止標志 ， 以及為電影和電視節目評級 。
然而，由于該領域缺乏有標簽的數據，已經證明在材料科學中使用機器學習更加困難 ， 機器學習試圖為未來技術設計和制造材料 。在材料科學中，關于成功創造的材料的數據被視為有標簽的數據，但是關于大量假設但尚未合成的材料的信息沒有標簽 。因此 ， 創造新材料對科學家來說可能有點像猜測，但賓夕法尼亞大學最近的一項研究側重于通過創新的機器學習技術更清晰地合成新材料 。
愛德華多d格蘭特總統的杰出教授維韋克謝諾伊(VivekShenoy)任命材料科學與工程、機械工程與應用力學、生物工程負責這項研究，由謝諾伊集團和國防科學研究生內森弗雷(NathanFrey)領導 。工程學研究生 。德雷克塞爾大學和馬亞圭斯波多黎各大學的合作者也為這項研究做出了貢獻 。
Shenoy和Frey開始將機器學習應用于材料科學，特別是專注于創建二維(2D)材料或只有一層或幾層原子厚度的材料 。目前，2D材料的大部分研究集中于證明2D材料的可能合成及其保持獨特和有用性質的潛力 。理論上已經提出了許多有前途的2D材料 ， 但事實證明只有少數材料可以合成 。Shenoy和Frey的目標是區分合成材料和理論上可能但實際上不可能的虛幻材料 。
弗雷說：“問題是，一般來說，我們不知道這些材料可以在實驗室里制成什么 ?！斑@有點像擁有一個真正的原創畫廊 。我們想買更多，但我們需要能夠辨別假的原件 。這是一個難題，但如果我們充分研究原件，找出使它們獨一無二的原因，我們就能學會識別這些贗品 ?！?br /> 對材料科學家來說 ， 區分能合成杰作的2D材料和“假”材料是一項艱巨的挑戰 。實驗材料合成是一個昂貴且耗時的過程，充滿了不可預測性 。然而，科學家們也缺乏堅實的標記數據或關于合成材料的已知數據，以及基于此的典型機器學習方法 。Shenoy和Frey通過使用不同的機器學習技術解決了這個問題，他們專注于分析2D材料的成功例子——我們已經擁有的杰作 。
弗雷說：“我們應用了一種稱為‘主動和無標記’的機器學習方法，來解決哪些材料應該是最容易在實驗室合成的問題 ?！拔覀兊摹e極’數據是已經成功生產的材料 。我們通過使用現有的材料，想象用元素周期表中相似的元素來轉換組成它們的原子 ， 從而發明新的材料 。所有這些理論材料都是“無標簽的”，因為我們不知道它們是否可以制造 ?！?br /> 通過這種方式 ， 該團隊使用有限的可用數據來預測特定2D材料合成的潛在成功或失敗 。如果科學家能夠繼續以這種方式應用機器學習，他們就可以專注于制造有可能成功合成并集成到未來技術中的材料 ， 避免在可能失敗的材料上花費時間和資源 。
在這項研究中，Shenoy和Frey專注于一系列稱為MAXstage的層狀材料，這些材料可以通過化學變化產生一種稱為MXenes的2D材料，這對于實際應用尤為重要 。
“這些MXenes的2D特性賦予了它們各種有趣的特性，這在傳統的3D材料中是看不到的 。尤其是MXenes有著廣泛的應用，從能量存儲到水凈化和生物傳感 ， ”Frey說 。
該研究團隊的“活躍且未標記”的機器學習模型預測了18種MXene化合物 ， 它們是實驗合成的良好候選化合物 。一些潛在的化合物含有在MXenes中從未見過的元素，這擴大了2D材料的清單 ， 這些材料是未來工業應用的有吸引力的選擇 。
雖然，在這一點上，研究只表明一些二維材料可以成功創造 ， 但弗雷一直在思考這些材料一旦合成，將如何成為即將到來的技術進步的關鍵組成部分 。
【新的機器學習方法預測哪些2D材料可以合成】弗雷說：“這些材料可以用于下一代電池技術，或者作為信息處理平臺的構建模塊 ， 超過目前可用的計算機 。