Machine-learning-assistedmaterials discovery using failed experiments
Paul Raccuglia,Katherine C. Elbert, et, al
Natural ResearchLetter
摘要
無機-有機雜化材料：如有機模板金屬氧化物、金屬有機骨架（MOFs）和有機鹵化物鈣鈦礦已經研究了幾十年，水熱和（非水）溶劑熱合成產生了數以千計的新材料，它們幾乎包含了周期表中幾乎所有的金屬。然而，這些化合物的形成機制還沒有完全理解，新化合物的開發主要依賴于探索性合成。模擬和數據驅動方法（受材料基因組計劃的推動影響）提供了一種替代“試錯法”的研究方法。三個主要策略是：基于仿真的物理性能（例如電荷遷移率，光伏性能，氣體吸附容量，鋰離子插層）預測，確定有前景的候選合成目標；從通過集成高通量合成和測量工具獲得的實驗大數據中確定結構與性質的關系；基于相似晶體結構的聚類分析（例如，沸石結構分類或氣體吸附性能）。在本文中，我們展示了另一種方法：使用反應數據訓練機器學習算法用于預測釩亞硒酸鹽結晶的反應結果。我們使用“黑色”反應信息——從實驗記錄中獲取的失敗的或者不成功的水熱合成，并添加了采用化學信息學技術處理的原始記錄信息的理化性質描述。我們使用結果數據訓練用于預測成功反應的機器學習模型。在進行水熱合成實驗時，使用先前未經檢驗的，市售的有機建造塊，我們的機器學習模型優于比傳統的人工策略，并以89%的成功概率預測了新的有機模板無機產品的形成。倒置機器學習模型揭示了產品成功合成條件的新假設。
文章部分附圖
圖1：“暗”反應工程的反饋機制圖示，從歷史反應數據生成的機器學習模型，用于預測新的反應。支持向量機（SVM）生成關于晶體形成的可解釋的假設。
圖2：SVM決策樹，橢圓代表決策點，矩形代表反應結果箱，三角形代表刪除子樹，箭頭上的數字對應于決策屬性測試值。每個反應結果箱（矩形）對應一個特定的反應結果值（‘3’或‘4’，如圖所示）；括號中的數字是正確分配給箱子的反應數量（任何不正確的分類反應都是在斜線之后給出的）。分數值表示由于樹中缺少屬性值而產生的不確定結果的反應。包含大多數成功反應的箱被分成三個不同的組（用綠色、藍色和紅色表示）。每個著色子樹定義了一組特定的反應參數，有利于單晶形成。對這些條件的檢驗引出相應的化學假設，分別對應于低、中、高極化率。在補充資料中有一個擴展版本顯示全部的切除子樹。
圖3：三個假設產生的模型，每一個假設對應一個代表結構。單晶形成所需的實驗條件在很大程度上取決于胺性能。小而低的極化胺需要Na+缺失和較長的反應時間，避免無機單元沉淀。球面低投影尺寸的胺需要諸如VOSO4的含V4+-試劑，因為它們無法直接從典型的V5+前體中產生V4+。長的三、四胺需要草酸反應來改變無機二級構筑單元的電荷密度，這三個假設分別對應于圖2中的綠色，藍色和紅色的子樹。
文章鏈接：
//news.matlink.com.cn/pdf/machine-learning-assisted_materials_discovery.pdf
隱石檢測擁有一批在業內取得顯著成就的專業技術人員，在行業內有著豐富的檢測經驗。秉承著專注、專業、高效、想客戶所想的理念，公司積極增加項目和完善更先進的測試儀器設備，保障每一個檢測，分析，研發任務優質高效的完成。同時通過專業所長,為全球數萬家優質客戶提供最及時的行業技術標準信息，和更高精尖的分析檢測解決方案。
隱石檢測分別成立了閥門實驗室，腐蝕實驗室，金相實驗室，力學實驗室，無損實驗室，耐候老化實驗室。從事常壓儲罐檢測，鍋爐能效檢測，金屬腐蝕檢測，SSC應力腐蝕檢測，HIC抗氫致開裂檢測，閥門檢測，應力應變檢測，無損探傷檢測，機械設備檢測，金相分析，石墨烯納米材料檢測，水質檢測，油品檢測涉及的服務范圍已廣泛覆蓋到鋼鐵材料，有色金屬材料，石油化工設備，通用機械設備，冶金礦石，建筑工程材料、航空航天材料，高鐵船舶材料，汽車用零部件、非金屬材料，電子電工產品等各個領域，并獲得了CMA和CNAS;雙重認可。
官網微信
