系统地寻找新的无机材料,辅助材料信息学

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 数据科学数据科学数据科学

背景情况:

• 探索新型无机功能材料对于技术进步至关重要.
• 材料发现的传统方法往往耗时且资源密集.
• 整合机器学习和计算化学为加速发现提供了一个有希望的途径.

研究的目的:

• 引入专有材料信息学 (MI) 技术和以化学为导向的方法论,以发现新的无机功能材料.
• 利用机器学习和先进的计算技术来预测材料特性和设计新型结构.
• 为了促进大规模实验数据的收集和分析,用于材料选择和验证.

主要方法:

• 使用机器学习对80x80x80元素的晶体结构数据库开发"元素反应地图".
• 应用Delaunay四面体分解来分析原子坐标,建立了"Delaunay化学"的概念.
• 创建了"晶体模拟器"和"Starrydata2"网络系统,用于晶体结构设计和从学术论文中大规模收集实验数据.
• 利用专有离子扩散控制技术和金属在合成中发现新的化合物类型.

主要成果:

• 通过大规模合成实验 (>7,000个样本) 发现了许多新材料相,包括新元素组合中的固体溶液.
• 使用先进的合成技术识别新的形和间化合物.
• 成功地应用元素反应图来选择设备电极的屏障金属.
• 通过对收集的实验数据的数据分析,为新的热电应用选择候选材料.

结论:

• 开发的材料信息技术和以化学为导向的方法极大地加速了新型无机功能材料的发现.
• 机器学习,计算化学和大规模数据分析的整合为材料创新提供了一个强大的框架.
• 发现的材料和方法有可能用于热电,设备电极和其他先进技术.