全面机器学习辅助合成方法在典型的实验室中对二维矿进行二维合成
Yilei Wu1, Chang-Feng Wang2, Ming-Gang Ju3
1Key Laboratory of Quantum Materials and Devices of Ministry of Education, School of Physics, Southeast University, 211189, Nanjing, China.
Nature communications
|January 3, 2024
概括
这项研究引入了一个通用框架,结合了实验,化学知识和机器学习 (ML) 来加速材料合成. 这种方法显著提高了合成新型二维混合矿的成功率.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 机器学习 机器学习
背景情况:
- 数据驱动技术,特别是机器学习 (ML),已经推进了材料发现,但与合成复杂性作斗争.
- 预测材料的特性和结构比实现实验合成要简单,因为前体的可用性和条件等因素.
- 很少有计算预测转化为实验实现的材料,凸显了当前方法论中的差距.
研究的目的:
- 开发一个指导实验材料合成的通用框架.
- 整合高通量实验,化学知识和ML,以实现高效的材料发现.
- 为了应对复杂合成预测的挑战,并提高实验实现率.
主要方法:
- 高通量实验与先验化学知识的整合.
- 机器学习技术的应用,包括子组发现和支持向量机器.
- 开发一个框架,揭示隐藏的结构-属性关系,并检查合成可行性.
主要成果:
- 拟议的框架成功指导了材料的实验合成.
- 它有效地揭示了高通量实验数据中的结构-属性关系.
- 与传统方法相比,对二维银/比斯穆特有机-无机混合矿的应用将合成可行性成功率提高了四倍.
结论:
- 这项研究提出了一种实用方法,以加速解决多维化学问题的方法.
- 该框架即使在资源有限的实验室典型的小型数据集上也是有效的.
- 这项工作为克服计算材料合成预测和实现的局限性提供了一个可行的途径.
