编辑/绿萝
科学家和机构每年都投入非常多的资源来发现新材料，以期为燃料提供催化剂。随着自然资源的减少，以及对更高价值和先进性能产品的需求增长，研究人员越来越多地关注到纳米材料。但识别新材料的连续实验方法对材料发现施加了不可逾越的限制。
近日，美国西北大学和丰田研究所（TRI）的研究人员应用机器学习来指导新纳米材料的合成，消除了材料发现相关的障碍。这种训练有素的算法，可通过定义数据集来准确预测可用于清洁能源、化学和汽车行业燃料的重要催化剂。
该研究以「Machine learning–accelerated design and synthesis of polyelemental heterostructures」为题，于 2021 年 12 月 22 日发表在《Science Advances》杂志上。
西北大学纳米技术专家、该论文的通讯作者 Chad Mirkin 说:「我们让这个模型告诉我们，多达七种元素的混合物会可以制造出以前没有过的东西。机器预测了 19 种可能性，在对每种可能性进行实验测试后，我们发现其中 18 种预测是正确的。」
绘制材料基因组
Mirkin 此次发明的名为「Megalibrary」（巨库）的数据生成工具极大地扩展了研究人员的视野。每个 Megalibrary 都包含数百万甚至数十亿个纳米结构，每个纳米结构的形状、结构和成分都略有不同，所有这些都在 2×2 平方厘米的芯片上进行了位置编码。迄今为止，每个芯片包含的新无机材料比科学家收集和分类的还要多。
Mirkin 的团队通过使用一种称为扫描探针嵌段共聚物光刻（SPBCL）的技术开发了 Megalibraries，这是一种大规模并行纳米光刻工具，能够每秒对数十万个特征进行特定位置的沉积。
NP 数据集和模拟优化活动的统计数据。
在绘制人类基因组图谱时，科学家的任务是识别四种碱基的组合。但「材料基因组」包括元素周期表中任何可用的 118 种元素的纳米粒子组合，以及形状、大小、相形态、晶体结构等参数。以 Megalibraries 的形式构建更小的纳米粒子子集，将使研究人员更接近完成材料基因组的完整图谱。
「即使我们能比地球上任何人都更快地制造材料，这仍然是可能性的海洋中的一滴水。」Mirkin 说。「我们想定义和挖掘材料基因组，我们的方法是通过人工智能。」
机器学习应用程序非常适合解决定义和挖掘材料基因组的复杂性，但受限于创建数据集以在空间中训练算法的能力。Mirkin 表示，Megalibraries 与机器学习的结合可能最终会解决这个问题，从而了解哪些参数会驱动某些材料特性。
化学家无法预测的材料
如果 Megalibraries 提供地图，则机器学习提供图例。
Mirkin 表示，使用 Megalibraries 作为用于训练 AI 算法的高质量和大规模材料数据的来源，使研究人员能够摆脱通常伴随材料发现过程而来的「敏锐的化学直觉」和连续实验。
在这项研究中，该团队编译了先前生成的由具有复杂成分、结构、尺寸和形态的纳米粒子组成的 Megalibrary 结构数据。他们使用这些数据来训练模型，并要求它预测会产生某种结构特征的四个、五个和六个元素的组成。在 19 次预测中，机器学习模型正确预测了 18 次新材料——准确率约为 95%。
用于发现四元金属 SINP 的闭环优化。
由于对化学或物理学知之甚少，仅使用训练数据，该模型就能够准确预测地球上从未存在过的复杂结构。
「正如这些数据所表明的，机器学习的应用，结合 Megalibrary 技术，可能是最终定义材料基因组的途径。」TRI 的高级研究科学家 Joseph Montoya 说。
金属纳米粒子显示出催化工业关键反应的前景，例如析氢、二氧化碳（CO2）还原和氧还原和析出。该模型在西北大学建立的大型数据集上进行了训练，以寻找具有围绕相位、尺寸和其他结构特征设置参数的多金属纳米粒子，这些参数会改变纳米粒子的特性和功能。
Megalibrary 技术还可能推动对未来至关重要的许多领域的发现，包括塑料升级回收、太阳能电池、超导体和量子比特。
该团队现在正在使用该方法寻找对清洁能源、汽车和化工行业的燃料过程至关重要的催化剂。确定新的绿色催化剂将使废物和大量原料转化为有用物质。生产催化剂还可用于替代昂贵且稀有的材料。
论文链接：https://www.science.org/doi/10.1126/sciadv.abj5505
相关报道：https://phys.org/news/2021-12-machine-synthesis-complex-materials.html
