作者:RIKEN 信用:CC0公共领域 RIKEN chemists1开发了一种机器学习算法，可以预测新材料的组成趋势
这将有助于找到在两种或多种理想性能之间进行权衡的应用材料
人工智能在帮助科学家发现具有理想特性的新材料方面有着巨大的潜力
用已知材料的成分和特性训练的机器学习算法可以预测未知材料的特性，节省了大量的实验室时间
但是发现新的应用材料是很棘手的，因为在两种或多种材料特性之间经常会有一个折衷
一个例子是有机太阳能电池的有机材料，人们希望最大限度地提高电压和电流，曾在日本高级情报研究中心工作，现就职于横滨城市大学的Kei Terayama指出
“电压和电流之间有一个权衡:一种材料表现出高电压时会有低电流，而高电流时会有低电压
" 因此，材料科学家经常想找到与通常的权衡相反的“过时”材料
但不幸的是，传统的机器学习算法在发现趋势方面比发现与趋势相反的材料要好得多
现在，寺山和他的同事开发了一种机器学习算法，BLOX(无限客观自由探索)，它可以定位不流行的材料
该团队通过使用该算法从药物发现数据库中识别出八种具有高度光活性的过时分子，展示了该算法的威力
这些分子的性质与算法预测的结果非常一致
寺山说:“我们担心计算的准确性，但很高兴看到计算是正确的。”
“这显示了计算驱动材料开发的潜力
" BLOX使用机器学习来生成关键材料特性的预测模型
这是通过将从材料数据库中随机选择的材料数据与实验或计算结果相结合来实现的
然后，BLOX用这个模型来预测一组新材料的特性
从这些新材料中，BLOX找出了最偏离总体分布的材料
该材料的属性通过实验或计算确定，然后用于更新机器学习模型，并重复该循环
重要的是，与许多以前的算法不同，BLOX对可以探索的材料结构和成分的范围没有限制
因此，它可以在很远很广的范围内寻找外围的材料
该团队已经在网上免费提供了BLOX
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
