休斯敦大学开发机器学习算法，可更快预测10万种化合物特性

编译：chux

出品：ATYUN订阅号

休斯敦大学的研究人员设计了一种新的机器学习算法，该算法足以在个人计算机上运行并预测超过10万种化合物的特性，以寻找那些最有可能成为LED照明的高效荧光粉的化合物。

然后他们合成并测试了一种计算预测的化合物硼酸钡，并确定它提供95％的效率和出色的热稳定性。

化学助理教授Jakoah Brgoch和他的实验室成员描述了在Nature Communications上发表的论文。研究人员利用机器学习快速扫描大量化合物的关键属性，包括德拜温度和化学相容性。Brgoch先前证明了德拜温度与效率相关。

基于LED或发光二极管的灯泡通过使用少量稀土元素（通常是铕或铈）在陶瓷或氧化物主体内取代，两种材料之间的相互作用决定了性能。该论文的重点是快速预测主体材料的性质。

Brgoch表示，该项目提供了强有力的证据证明机器学习可以为开发高性能材料带来价值，这一领域传统上由反复试验和简单的经验规则引导。“它告诉我们应该在哪里寻找和指导合成，”他说。

Brgoch等人与UH数据科学研究所合作，并利用UH高级计算和数据科学中心的计算资源进行以前的工作。然而，用于这项工作的算法是在个人计算机上运行的。

该项目首先列出了来自Pearson晶体结构数据库的118287种可能的无机磷化合物；该算法削减到超过2000。又过了30秒，它产生了大约二十几种有前途的材料清单。

Brgoch说，这个过程如果没有机器学习需要数周。

他的实验室进行机器学习和预测，以及合成，因此在同意算法推荐的硼酸钡钠是一个很好的候选者后，研究人员创造了这种化合物。

它被证明是稳定的，量子产率或效率为95％，但Brgoch说产生的光过蓝而不具商业价值。但这并不令人沮丧，他说，“现在我们可以使用机器学习工具找到发射波长的发光材料。我们的目标是让LED灯泡不仅更高效，还能提高色彩质量，同时降低成本。”

研究人员说，更重要的是，他们证明机器学习可以大大加快发现新材料的过程。这项工作是他的研究小组利用机器学习和计算指导他们发现具有变革潜力的新材料的更广泛努力的一部分。