前沿 | 硼酸钡钠,一种因机器学习而诞生的LED荧光粉

选自phys.org

作者:University of Houston

机器之心编译

来自休斯顿大学的研究者设计了一种新型机器学习算法,可在一台个人计算机上运行,并高效预测超过 10 万种合成物的性质,以搜索用于 LED 照明的最优荧光粉。他们合成并测试了其中一种通过计算预测得到的合成物:硼酸钡钠(sodium-barium-borate),并确定它能提供 95% 的效率和优越的热稳定性。

10 月 22 日,化学系助理教授 Jakoah Brgoch 及其实验室成员在 Nature Communications 期刊上发表了关于该研究的论文。

研究者使用机器学习快速扫描大量合成物,寻找关键属性,包括德拜温度和化学兼容性。Brgoch 之前曾发现德拜温度与荧光粉的效率有关。

发光二极管(LED)使用了少量稀土元素,通常是铕或铈,这些元素通常位于基质材料(如陶瓷或氧化物)内。这两种材料之间的相互作用决定了 LED 的性能。这篇论文主要介绍如何快速预测基质材料的特性。

Brgoch 说:「该项目强有力地证明了机器学习对开发高性能材料有很大价值,高性能材料领域通常由试错和简单的实证规则主导。它告诉我们应该看哪里,并指导我们的合成实践。」

除了 Brgoch,该论文的作者还包括 Brgoch 实验室的研究生 Ya Zhuo 和 Aria Mansouri Tehrani、前博士后研究员 Anton O. Oliynyk 和最近的博士生 Anna C. Duke。

Brgoch 和 UH 数据科学研究所(UH Data Science Institute)合作,并把 UH 高级计算和数据科学中心(UH Center for Advanced Computing and Data Science)的计算资源用于之前的研究。然而,用于这项研究的算法是在个人计算机上运行的。

该项目从 Pearson 的晶体结构数据库(Crystal Structure Database)中列出 118287 种可能的无机荧光粉化合物开始;该算法将这一数字削减到 2000 多。过了 30 秒后,它又生成了一份只有 20 几种可能材料的清单。

Brgoch 表示如果没有机器学习,这个过程要花费数周。

他的实验室研究机器学习和预测、合成,所以在算法推荐硼酸钡钠之后,研究员们做出了这种合成物。实验证明它非常稳定,量子产率或者效率达到 95%,但 Bugoch 说它产生的光不够蓝,不能满足商用。

这并没有令他们沮丧,他说:「现在我们能使用机器学习工具发现一种发冷光的材料,可发射出有用的波长。我们的目标不仅是使 LED 灯更高效,还要改进其颜色质量,且降低成本。」

关于这一点,研究人员称,他们证明了机器学习能极大地加速发现新材料的过程。这项研究是他们使用机器学习和计算发现变革性新材料的努力之一。

论文:Identifying an efficient, thermally robust inorganic phosphor host via machine learning

论文链接:https://www.nature.com/articles/s41467-018-06625-z

稀土取代的无机荧光粉对于固态物质照明很重要。传统上一般通过化学经验、试验以及试错合成来识别有潜力的新荧光粉,这些方法很难发现潜在的性能材料。这里,我们应用了支持向量机回归模型来预测荧光粉基质晶体结构的德拜温度,这个指标有望取代利用高吞吐量密度泛函理论估计带隙计算的光致发光量子产率。

该平台可以帮助识别在其它情况下可能被忽略的荧光体。在德拜温度最高、带隙最大的合成物中,NaBaB9O15 表现出了惊人的潜力。根据合成和结构表征,其结构刚性被证实来自一个共享 [B3O7]5-聚阴离子骨架的唯一角落。用 Eu2+代替这种材料可以产生紫外激发带和 416 nm 的窄带紫外发射,半峰全宽为 34.5 nm。更重要的是,NaBaB9O15:Eu2+具有 95% 的量子产率和优异的热稳定性。

图 1:预测德拜温度的机器学习模型交叉验证图。(a)预测德拜温度(ΘD,SVR)的十折交叉验证(CV)vs 计算所得德拜温度(ΘD,DFT)。虚线是理想分界线,实线是拟合分界线。(b)根据化合物在 CV 预测的ΘD,SVR 和ΘD,DFT 之间的百分比误差来确定化合物的分数。红色曲线显示了趋势。

原文地址:https://phys.org/news/2018-10-algorithm-quickly-materials.html

原文发布于微信公众号 - 机器之心(almosthuman2014)

原文发表时间:2018-10-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

Pick 一下?Python 机器学习实用技巧

入门机器学习从来不是一件简单的事。除了成熟的 MOOC,网络上还有海量的免费资源,这里列举了一些曾经对我有帮助的资源:

1093
来自专栏新智元

George Hotz:请收下我的智驾系统代码(附论文)

【新智元导读】我知道以GeoHot的脾气,最终 comma.ai 全套AI模型的代码肯定会被他开源,但我没想到会这么快,而且我也没想到这么完备,几乎毫无保留,多...

3778
来自专栏AI研习社

这 25 个开源机器学习项目,一般人我不告诉 Ta

在过去几年中,机器学习开辟了很多新的领域,出现了很多高级应用案例:Facebook的脸部识别、Netflix的电影推荐、PrimaAI的图像风格转移、Siri的...

792
来自专栏AI科技评论

【深度】机器学习如何帮助Youtube 实现高效转码?

GAIR 今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,雷锋网将发布“人工智能&机器人Top25创新企...

3545
来自专栏AI科技大本营的专栏

Dota2团战实力蔑视人类,解剖5只“AI英雄”

去年,OpenAI 在 DOTA 的 1v1 比赛中战胜了职业玩家 Dendi,而在距离进阶版 OpenAI Five 系统战胜人类业余玩家不过一个月的时间,今...

995
来自专栏鸿的学习笔记

Upvote Dynamics on the Quora Network(下)

在本节中,我们将看看答案在作者的相关受众中如何动态传播。在我们这样做之前,我们应该退一步,并反思我们如何期望网络距离的行为。具体来说,这个指标是否会是一件好事?...

581
来自专栏AI研习社

Facebook 开源 FAISS;MIT 开发机器学习数据合成系统 SDV | 开发者头条

更高效的聚类、相似性搜索算法库,Facebook 开源 FAISS MIT 黑科技,合成数据也能用于机器学习 机器学习算法成功预测人造地震 每日推荐阅读 Vi...

3384
来自专栏大数据文摘

【译】统计学教会我们的10件事

1979
来自专栏大数据挖掘DT机器学习

当推荐算法开源包多如牛毛,为什么我们还要专门的推荐算法工程师

作为一个推荐系统业余爱好者,在机器学习领域的鄙视链中,我感觉一直地位不高,时常被搞NLP CV语音等高科技技术的朋友鄙视。 最近甚至被人问,推荐算法开源包多如牛...

3899
来自专栏AI科技评论

干货 | 中科院孙冰杰博士:基于网络化数据表示学习的重叠社区发现研究

AI科技评论按:网络是大数据的重要组织形式,然而网络化的数据由于缺少高效可用的节点表示,而难于直接应用。网络化数据表示学习通过将高维稀疏难于应用的数据转化为低维...

3134

扫码关注云+社区