人工智能預測廣泛的材料特性來打破以前無法逾越的墻

東京——如果可以可靠地預測材料的特性，那么可以簡化和加速為眾多行業(yè)開發(fā)新產(chǎn)品的過程。在高級智能系統(tǒng)XXX 上發(fā)表的一項研究中，東京大學工業(yè)科學研究所的研究人員使用磁芯損耗光譜儀通過機器學習確定有機分子的特性。

光譜技術能量損失近邊結構 (ELNES) 和 X 射線近邊結構 (XANES) 用于確定有關電子的信息，并通過該信息確定材料中的原子。它們具有高靈敏度和高分辨率，已被用于研究從電子設備到藥物輸送系統(tǒng)的一系列材料。

然而，將光譜數(shù)據(jù)與材料特性(如光學特性、電子電導率、密度和穩(wěn)定性)聯(lián)系起來仍然不明確。機器學習 (ML) 方法已被用于提取大型復雜數(shù)據(jù)集的信息。這種方法使用基于我們大腦工作方式的人工神經(jīng)網(wǎng)絡來不斷學習解決問題。盡管該小組之前使用 ELNES/XANES 光譜和 ML 來查找有關材料的信息，但他們發(fā)現(xiàn)的內容與材料本身的特性無關。因此，這些信息不能輕易轉化為發(fā)展。

現(xiàn)在，該團隊已使用 ML 來揭示隱藏在 22,155 個有機分子的模擬 ELNES/XANES 光譜中的信息。“然后將分子的 ELNES/XANES 光譜，或在這種情況下的“描述符”輸入到系統(tǒng)中，”主要作者 Kakeru Kikumasa 解釋說。“這個描述符可以在實驗中直接測量，因此可以以高靈敏度和分辨率確定。這種方法對材料開發(fā)非常有益，因為它有可能揭示某些材料特性出現(xiàn)的地點、時間和方式。”

僅從光譜創(chuàng)建的模型就能夠成功預測所謂的強度特性。然而，它無法預測依賴于分子大小的廣泛特性。因此，為了改進預測，新模型的構建包括三種元素與碳(存在于所有有機分子中)的比率作為額外參數(shù)，以允許正確預測分子量等廣泛特性。

“我們對磁芯損耗光譜的 ML 學習處理可以準確預測廣泛的材料特性，例如內能和分子量。以前從未建立過磁芯損耗譜與廣泛特性之間的聯(lián)系。然而，人工智能能夠揭示隱藏的聯(lián)系。我們的方法也可能用于預測新材料和功能的特性”資深作者 Teruyasu Mizoguchi 說。“我們相信，我們的模型將成為各行各業(yè)材料高通量開發(fā)的非常有用的工具。”

標簽：