Algoritme forudsiger sammensætninger af nye materialer

En maskinlæringsalgoritme, der kan forudsige sammensætninger af trendmæssige nye materialer, er blevet udviklet af RIKEN-kemikere1. Det vil være nyttigt til at finde materialer til applikationer, hvor der er en afvejning mellem to eller flere ønskelige egenskaber.

Kunstig intelligens har et stort potentiale til at hjælpe forskere med at finde nye materialer med ønskelige egenskaber. En maskinlæringsalgoritme, der er blevet trænet med sammensætninger og egenskaber af kendte materialer, kan forudsige egenskaber ved ukendte materialer, sparer meget tid i laboratoriet.

Men det kan være svært at finde nye materialer til applikationer, fordi der ofte er en afvejning mellem to eller flere materialegenskaber. Et eksempel er organiske materialer til organiske solceller, hvor det ønskes at maksimere både spændingen og strømmen, bemærker Kei Terayama, som var på RIKEN Center for Advanced Intelligence Project og nu er på Yokohama City University. "Der er en afvejning mellem spænding og strøm:et materiale, der udviser en høj spænding, vil have en lav strøm, der henviser til, at en med en høj strøm vil have en lav spænding. "

Materialeforskere ønsker derfor ofte at finde "out-of-trend" materialer, der sparer den sædvanlige afvejning. Men desværre klarer konventionelle maskinlæringsalgoritmer sig meget bedre til at spotte tendenser end at opdage materialer, der går imod dem.

Nu, Terayama og hans kolleger har udviklet en algoritme til maskinlæring, BLOX (BoundLess Objective free eXploration), der kan finde out-of-trend materialer.

Teamet demonstrerede algoritmens magt ved at bruge den til at identificere otte out-of-trend-molekyler med en høj grad af fotoaktivitet fra en database til opdagelse af lægemidler. Disse molekylers egenskaber udviste god overensstemmelse med dem, der blev forudsagt af algoritmen. "Vi havde bekymringer om beregningens nøjagtighed, men var glade for at se, at beregningen var korrekt, "siger Terayama." Dette viser potentialet i beregningsdrevet materialeudvikling. "

BLOX bruger maskinlæring til at generere en forudsigelsesmodel for nøglematerialegenskaber. Det gør det ved at kombinere data for materialer tilfældigt valgt fra en materialedatabase med eksperimentelle eller beregningsresultater. BLOX bruger derefter modellen til at forudsige egenskaberne af et nyt sæt materialer. Fra disse nye materialer, BLOX identificerer den, der afviger mest fra den samlede distribution. Materialets egenskaber bestemmes ved forsøg eller beregninger og bruges derefter til at opdatere maskinindlæringsmodellen, og cyklussen gentages.

Vigtigere, i modsætning til mange tidligere algoritmer, BLOX pålægger ingen begrænsninger for omfanget af materialestrukturer og sammensætninger, der kan udforskes. Det kan således spænde vidt og bredt i sin søgen efter ydermateriale.

Teamet har gjort BLOX frit tilgængeligt online.