Ny algoritme kan hurtigere forudsige LED-materialer

Forskere fra University of Houston har udtænkt en ny maskinlæringsalgoritme, der er effektiv nok til at køre på en personlig computer og forudsige egenskaberne af mere end 100, 000 forbindelser på jagt efter dem, der mest sandsynligt er effektive fosfor til LED-belysning.

De syntetiserede og testede derefter en af ​​de beregningsmæssigt forudsagte forbindelser - natrium-barium-borat - og fastslog, at den giver 95 procent effektivitet og enestående termisk stabilitet.

Jakoah Brgoch, adjunkt i kemi, og medlemmer af hans laboratorium beskriver arbejdet et papir udgivet 22. oktober i Naturkommunikation .

Forskerne brugte maskinlæring til hurtigt at scanne et stort antal forbindelser for nøgleegenskaber, inklusive Debye temperatur og kemisk kompatibilitet. Brgoch har tidligere vist, at Debye-temperatur er korreleret med effektivitet.

LED, eller lysdiode, baserede pærer virker ved at bruge små mængder sjældne jordarters grundstoffer, normalt europium eller cerium, erstattet i en keramik- eller oxidvært - interaktionen mellem de to materialer bestemmer ydeevnen. Artiklen fokuserede på hurtigt at forudsige værtsmaterialernes egenskaber.

Brgoch sagde, at projektet giver stærke beviser på den værdi, som maskinlæring kan tilføre udvikling af højtydende materialer, et felt, der traditionelt er styret af trial-and-error og simple empiriske regler.

"Det fortæller os, hvor vi skal lede, og styrer vores syntetiske indsats, " han sagde.

Ud over Brgoch, forskere på papiret inkluderer Ya Zhuo og Aria Mansouri Tehrani, kandidatstuderende i Brgochs laboratorium, tidligere post-doc forsker Anton O. Oliynyk og nyligt ph.d. kandidat Anna C. Duke.

Brgoch samarbejder med UH Data Science Institute og har brugt computerressourcerne på UH Center for Advanced Computing and Data Science til tidligere arbejde. Algoritmen brugt til dette arbejde, imidlertid, blev kørt på en personlig computer.

Projektet startede med en liste på 118, 287 mulige uorganiske phosphorforbindelser fra Pearson's Crystal Structure Database; algoritmen reducerede det til lidt over 2, 000. Yderligere 30 sekunder, og det havde produceret en liste med omkring to dusin lovende materialer.

Den proces ville have taget uger uden fordelen ved maskinlæring, sagde Brgoch.

Hans laboratorium laver maskinlæring og forudsigelse, samt syntese, så efter at have accepteret det algoritme-anbefalede natrium-barium-borat var en god kandidat, forskere skabte forbindelsen.

Det viste sig at være stabilt, med et kvanteudbytte eller effektivitet på 95 procent, men Brgoch sagde, at det producerede lys var for blåt til at være kommercielt ønskeligt.

Det var ikke nedslående, han sagde. "Nu kan vi bruge maskinlæringsværktøjerne til at finde et selvlysende materiale, der udsender i en bølgelængde, som ville være nyttig.

"Vores mål er at gøre LED-pærer ikke kun mere effektive, men også at forbedre deres farvekvalitet, samtidig med at omkostningerne reduceres."

Mere til sagen, sagde forskerne, de demonstrerede, at maskinlæring dramatisk kan fremskynde processen med at opdage nye materialer. Dette arbejde er en del af hans forskningsgruppes bredere indsats for at bruge maskinlæring og beregning til at guide deres opdagelse af nye materialer med transformativt potentiale.