人工智能预测广泛的材料特性来打破以前无法逾越的墙

东京——如果可以可靠地预测材料的特性，那么可以简化和加速为众多行业开发新产品的过程。在高级智能系统XXX 上发表的一项研究中，东京大学工业科学研究所的研究人员使用磁芯损耗光谱仪通过机器学习确定有机分子的特性。

光谱技术能量损失近边结构 (ELNES) 和 X 射线近边结构 (XANES) 用于确定有关电子的信息，并通过该信息确定材料中的原子。它们具有高灵敏度和高分辨率，已被用于研究从电子设备到药物输送系统的一系列材料。

然而，将光谱数据与材料特性(如光学特性、电子电导率、密度和稳定性)联系起来仍然不明确。机器学习 (ML) 方法已被用于提取大型复杂数据集的信息。这种方法使用基于我们大脑工作方式的人工神经网络来不断学习解决问题。尽管该小组之前使用 ELNES/XANES 光谱和 ML 来查找有关材料的信息，但他们发现的内容与材料本身的特性无关。因此，这些信息不能轻易转化为发展。

现在，该团队已使用 ML 来揭示隐藏在 22,155 个有机分子的模拟 ELNES/XANES 光谱中的信息。“然后将分子的 ELNES/XANES 光谱，或在这种情况下的“描述符”输入到系统中，”主要作者 Kakeru Kikumasa 解释说。“这个描述符可以在实验中直接测量，因此可以以高灵敏度和分辨率确定。这种方法对材料开发非常有益，因为它有可能揭示某些材料特性出现的地点、时间和方式。”

仅从光谱创建的模型就能够成功预测所谓的强度特性。然而，它无法预测依赖于分子大小的广泛特性。因此，为了改进预测，新模型的构建包括三种元素与碳(存在于所有有机分子中)的比率作为额外参数，以允许正确预测分子量等广泛特性。

“我们对磁芯损耗光谱的 ML 学习处理可以准确预测广泛的材料特性，例如内能和分子量。以前从未建立过磁芯损耗谱与广泛特性之间的联系。然而，人工智能能够揭示隐藏的联系。我们的方法也可能用于预测新材料和功能的特性”资深作者 Teruyasu Mizoguchi 说。“我们相信，我们的模型将成为各行各业材料高通量开发的非常有用的工具。”

标签：