使用联合数据库和机器学习的光学材料发现和设计

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
• 固态物理 固态物理

背景情况:

• 使用密度函数理论等计算方法生成大量的假设无机材料.
• 这些材料越来越容易通过开放的数据库和标准化的API,如OPTIMADE API.
• OPTIMADE联盟提供了超过3000万个晶体结构的访问权限,其中许多是新的,并通过机器学习识别.

研究的目的:

• 开发一种高效的工作流程,用于选假设无机材料的大型数据集.
• 确定下一代光学材料,特别是具有高折射率的光学材料.
• 为了利用自动计算,联合数据策划和机器学习来发现材料.

主要方法:

• 利用OPTIMADE API访问一个超过3000万个晶体结构的联合数据库.
• 应用了MODNet,一种神经网络模型,用于在主动学习框架内进行属性预测.
• 实施了高通量计算策略,结合了针对性选的积极学习.

主要成果:

• 成功分离了特定的结构和化学物质,这些物质有可能用于高折射率光学应用.
• 展示了一种有效的方法,用于非详尽地选动态和大型材料空间.
• 确定了进一步理论计算和实验验证的有前途的候选者.

结论:

• 提出的工作流有效地利用自动计算,联合数据集和机器学习来加速材料发现.
• 该方法具有适应性,可以随着新数据和数据库的可用性而定期重新评估.
• 这项工作通过将计算能力与数据联合相结合,促进了新型光学材料的发现.