埃姆斯实验室
Prashant Singh和Yaroslav Mudryk在电脑上工作
信用:U
S
能源部，艾姆斯实验室 人工智能推进了科学家探索材料的方式
来自艾姆斯实验室和德克萨斯A&M大学的研究人员训练了一个机器学习(ML)模型来评估稀土化合物的稳定性
这项工作得到了艾姆斯实验室的实验室指导研究和发展计划(LDRD)的支持
他们开发的框架建立在当前最先进的化合物实验和理解化学不稳定性的方法之上
自20世纪中叶以来，埃姆斯实验室一直是稀土研究的领导者
稀土元素具有广泛的用途，包括清洁能源技术、能源储存和永磁体
新的稀土化合物的发现是科学家扩大获取这些材料的更大努力的一部分
目前的方法是基于机器学习(ML)，一种人工智能(AI)的形式，由通过数据使用和经验改进的计算机算法驱动
研究人员使用升级的艾姆斯实验室稀土数据库(RIC 2
0)和高通量密度泛函理论(DFT)来构建他们的ML模型的基础
高通量筛选是一种计算方案，允许研究人员快速测试数百个模型
DFT是一种量子力学方法，用于研究许多物体系统的热力学和电子性质
基于这些信息的收集，开发的ML模型使用回归学习来评估化合物的相稳定性
爱荷华州立大学的研究生泰勒·德尔·罗斯(Tyler Del Rose)通过编写算法在网上搜索信息来补充数据库和DFT计算，进行了数据库所需的大量基础研究
他还致力于人工智能预测的实验验证，并通过确保它们代表现实来帮助改进基于ML的模型
“机器学习在这里真的很重要，因为当我们谈论新的成分时，有序材料对稀土社区的每个人来说都是非常熟悉的，”艾姆斯实验室科学家普拉尚·辛格说，他与吉列尔莫·巴斯克斯和雷蒙多·阿罗亚夫一起领导了DFT plus机器学习工作
“然而，当你把无序添加到已知材料中时，情况就大不相同了
成分的数量变得非常大，经常是几千或几百万，你不能用理论或实验来研究所有可能的组合
" 泰勒·德尔·罗斯在实验室工作
信用:U
S
能源部，艾姆斯实验室 Singh解释说，材料分析基于离散反馈回路，其中AI/ ML模型使用新的DFT数据库进行更新，该数据库基于从我们的实验中获得的实时结构和相位信息
这个过程确保信息从一个步骤传递到下一个步骤，并减少出错的机会
项目主管雅罗斯拉夫·穆德里克(Yaroslav Mudryk)表示，该框架旨在探索稀土化合物，因为它们在技术上非常重要，但它的应用不仅限于稀土研究
同样的方法可以用来训练一个ML模型，以预测化合物的磁性、用于变革性制造的过程控制以及优化机械行为
“这并不真的意味着发现一种特定的化合物，”穆德里克说
“我们如何设计一种新方法或新工具来发现和预测稀土化合物？这就是我们所做的
" 穆德里克强调，这项工作只是开始
该团队正在探索这种方法的全部潜力，但他们乐观地认为该框架在未来会有广泛的应用
这项研究在P
辛格，T
德尔罗斯湾
瓦兹奎河
Arroyave，和Y
穆德里克；并发表在《材料学报》上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
