Machine-learning-assistedmaterials discovery using failed experiments

Paul Raccuglia,Katherine C. Elbert, et, al

Natural ResearchLetter

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(jīng)研究了幾十年，水熱和（非水）溶劑熱合成產(chǎn)生了數(shù)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(fā)主要依賴于探索性合成。模擬和數(shù)據(jù)驅(qū)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(shù)據(jù)中確定結(jié)構與性質(zhì)的關系；基于相似晶體結(jié)構的聚類分析（例如，沸石結(jié)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(shù)據(jù)訓練機器學習算法用于預測釩亞硒酸鹽結(jié)晶的反應結(jié)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(zhì)描述。我們使用結(jié)果數(shù)據(jù)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(jīng)檢驗的，市售的有機建造塊，我們的機器學習模型優(yōu)于比傳統(tǒng)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(chǎn)品的形成。倒置機器學習模型揭示了產(chǎn)品成功合成條件的新假設。

圖1：“暗”反應工程的反饋機制圖示，從歷史反應數(shù)據(jù)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(jié)果箱，三角形代表刪除子樹，箭頭上的數(shù)字對應于決策屬性測試值。每個反應結(jié)果箱（矩形）對應一個特定的反應結(jié)果值（‘3’或‘4’，如圖所示）；括號中的數(shù)字是正確分配給箱子的反應數(shù)量（任何不正確的分類反應都是在斜線之后給出的）。分數(shù)值表示由于樹中缺少屬性值而產(chǎn)生的不確定結(jié)果的反應。包含大多數(shù)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(shù)，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(chǎn)生的模型，每一個假設對應一個代表結(jié)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(chǎn)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：

http://news.matlink.com.cn/pdf/machine-learning-assisted_materials_discovery.pdf

隱石檢測擁有一批在業(yè)內(nèi)取得顯著成就的專業(yè)技術人員，在行業(yè)內(nèi)有著豐富的檢測經(jīng)驗。秉承著專注、專業(yè)、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(fā)任務優(yōu)質(zhì)高效的完成。同時通過專業(yè)所長,為全球數(shù)萬家優(yōu)質(zhì)客戶提供最及時的行業(yè)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(zhì)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(chǎn)品等各個領域，并獲得了CMA和CNAS;雙重認可。