日本研究人員已經開發出 種通過將高通量實驗和計算數據與機器學習相結合來預測材料性能的方法來加快新材料的開發。
科學 使用涉及大量并行實驗的高通量實驗來快速繪制由不同數量的相同元素制成的材料的成分，結構和特性之間的關系。這有助于加速新材料的開發，但通常需要昂貴的設備。
另 方面，高通量計算使用計算模型根據材料的電子密度來確定材料的性能，電子密度是電子占據 小的空間的概率的量度。它比物理實驗更快，更便宜，但準確性低得多。
中央研究實驗室的材料信息學專 巖崎由馬（Yuma Iwasaki）與日本同事 起，結合了兩種高通量方法，同時兼顧了兩者的優勢，并將它們與機器學習相結合，以簡化流程。
巖崎說：“我們的方法有可能準確，快速地預測材料的性能，從而縮短各種材料的開發時間。”
他們使用由鐵，鈷和鎳制成的100納米薄膜在藍寶石襯底上鋪展來測試他們的方法。這三種元素的各種可能組合沿膠片分布。這些“成分擴展樣本”用于在 個樣本中測試許多相似的材料。
該團隊 對樣品進行了 種簡單的高通量技術，稱為組合X射線衍射。所得的X射線衍射曲線提供有關樣品的晶體結構，化學成分和物理性質的詳細信息。
然后，團隊使用機器學習將這三個元素的每種組合的數據分解為單獨的X射線衍射曲線。高通量計算有助于定義每種組合的磁性能。 后，進行計算以減小實驗數據與計算數據之間的差異。
他們的方法使他們能夠成功繪制出鐵，鈷和鎳成分擴散的“克爾旋轉”，代表了從磁化表面反射回來的光所發生的變化。該特性對于光子學和半導體器件中的各種應用很重要。
研究人員說，他們的方法仍然可以改進，但是就目前而言，它可以繪制成分分布的磁矩，而無需訴諸更困難和昂貴的高通量實驗。
滬公網安備31012002005808
