欢迎光临广州某某电子设备有限公司官网! 关于我们| 联系我们
全国统一热线:
023-66889888

咨询热线:

023-66889888

邮件: admin@qq.com

Q Q:

地址: 广州市番禺新区国家高新技术开发区科技工业园68号

机器学习让材料合成“开挂”

 
 
机器学习让材料合成“开挂”  
 

结合决策树等算法,研究者可通过机器学习快速找出纳米材料合成的最佳条件,并据此实现对材料的量身定做,一些结构复杂的材料也可以精准地制备出来。(受访者供图)

化学家的研究直觉是怎么培养的?靠多年的实验积累。如今,研究者尝试培养机器学习算法的“直觉”,经过训练,算法可以比研究者学得更快。

5月18日,厦门大学的研究者在细胞出版社旗下的《物质》(Matter)杂志上发表文章,通过机器学习,他们找到了锆铪氧簇纳米金属有机框架(MOF)这一材料合成过程中的关键变量:调节剂浓度和配体溶解度。

据此经验,他们实现了二维薄膜、凹八面体或空心八面体等一系列不同形态MOF的精准制备。

“算法把这些变量的重要性呈现给我们,这跟化学家的经验和直觉也是吻合的。”论文通讯作者之一,厦门大学化学化工学院教授汪骋告诉《中国科学报》。

从“没定律”到“有地图”

在合成化学领域,研究者常常调侃:晶体生长的第一定律就是没有定律。这侧面说明了提升材料制备的精确度有多难。

以MOF的制备为例,目前研究提出的生长理论只能提供模糊的方向,研究者在实验中往往要不断试错。MOF的稳定性受金属氧化态、还原电位、离子半径等因素的影响,研究者在制备过程中需要调节温度、酸碱度、反应物浓度等多个参数。

“当多个变量同时变化时,化学家的直觉不一定会很准。”论文通讯作者之一、厦门大学数学学院副教授周达表示。

如果用机器学习方法指导材料设计,能在多大程度上提高材料制备效率?带着这一念头,汪骋和周达展开了合作。

研究团队首先用决策树算法分析不同合成条件下的物相和形貌,批量制备MOF,进而找出影响材料形貌的重要变量:水和甲酸浓度。再用随机森林算法确定形貌和试验条件的对应关系。

“我们发现水和甲酸这两个变量最关键后,就去集中调节它们,看会有怎样的结果。”汪骋说。在他看来,经过训练的机器学习算法能描绘出材料制备的地图,告诉研究者材料制备的方向,“对整个流程掌控有很大帮助”。

驯化算法,改布点方式

与传统实验中控制变量法设置的指标不同,为了训练算法,研究者需要让变量分布得相对均匀,即用更发散的布点方式。获得材料合成过程中的数据后,研究者可以根据实际需求选择算法、做参数训练。最终,从看似纷乱繁杂的数据图表中,获得晶体制备的宝贵经验,并绘制出相图。

在合成化学研究中引入机器学习的方法,实验布点须调整得更均匀、广泛(左图),根据材料合成步骤中的关键变量,可以总结并作出合成规律的相图(右图)。(受访者供图)

“这有些像教一个学生”,周达表示,材料制备中获得的实验数据,一部分用于参数训练,就像给学生阅读的教材,另一部分则用于检测,就像考试题。

对汪骋而言,能制备出的纳米材料越薄越好。为了更快地对纳米薄片进行测量、总结制备规律,他与周达等人又用上了图像识别中的Mask-RCNN算法。

为了降低测量成本,研究团队选择用扫描电镜的方法获得纳米薄片厚度信息,但由于薄片的状态不规则,就需要通过算法进行筛选。

扫描了超过1500张电镜图像后,他们终于确定了制备MOF的最佳条件。并据此设计出复杂的分步合成序列,获得更多复杂的MOF及其结构。

“这些不同形貌的纳米材料用于烯烃加氢的催化反应,展现了非常不同的活性。”汪骋表示。

但目前来看,这一系列操作的成本还有压缩空间。由于需要批量制备薄膜,人力物力成本较高,且数据量很大,还要考虑电镜等使用成本。“我们现在正在尝试从自然语言,即现有的文献中提取信息,扩大数据来源,降低成本。”汪骋说。

“与传统的盲目试错相比,此方法大大缩短了获得理想晶相的时间”,武汉大学化学与分子科学学院教授邓鹤翔这样点评道。

邓鹤翔对《中国科学报》表示,晶体合成的魅力在于寻找合适的化学反应条件,而灵光乍现得到理想产物是研究者“最为欣喜的尤里卡时刻”。如果用传统方法,这种寻找的过程往往很漫长。

网站首页 关于我们澳门永利赌场图片产品中心澳门永利赌场新闻永利赌场澳门网址客户案例技术服务
葡京官网 版权所有 Power by DeDe58 粤123456789-1号 技术支持:织梦58