Machine-learning-assistedmaterials discovery using failed experiments

Paul Raccuglia,Katherine C. Elbert, et, al

Natural ResearchLetter

无机-有机杂化材料：如有机模板金属氧化物、金属有机骨架（MOFs）和有机卤化物钙钛矿已经研究了几十年，水热和（非水）溶剂热合成产生了数以千计的新材料，它们几乎包含了周期表中几乎所有的金属。然而，这些化合物的形成机制还没有完全理解，新化合物的开发主要依赖于探索性合成。模拟和数据驱动方法（受材料基因组计划的推动影响）提供了一种替代“试错法”的研究方法。三个主要策略是：基于仿真的物理性能（例如电荷迁移率，光伏性能，气体吸附容量，锂离子插层）预测，确定有前景的候选合成目标；从通过集成高通量合成和测量工具获得的实验大数据中确定结构与性质的关系；基于相似晶体结构的聚类分析（例如，沸石结构分类或气体吸附性能）。在本文中，我们展示了另一种方法：使用反应数据训练机器学习算法用于预测钒亚硒酸盐结晶的反应结果。我们使用“黑色”反应信息——从实验记录中获取的失败的或者不成功的水热合成，并添加了采用化学信息学技术处理的原始记录信息的理化性质描述。我们使用结果数据训练用于预测成功反应的机器学习模型。在进行水热合成实验时，使用先前未经检验的，市售的有机建造块，我们的机器学习模型优于比传统的人工策略，并以89%的成功概率预测了新的有机模板无机产品的形成。倒置机器学习模型揭示了产品成功合成条件的新假设。

图1：“暗”反应工程的反馈机制图示，从历史反应数据生成的机器学习模型，用于预测新的反应。支持向量机（SVM）生成关于晶体形成的可解释的假设。

图2：SVM决策树，椭圆代表决策点，矩形代表反应结果箱，三角形代表删除子树，箭头上的数字对应于决策属性测试值。每个反应结果箱（矩形）对应一个特定的反应结果值（‘3’或‘4’，如图所示）；括号中的数字是正确分配给箱子的反应数量（任何不正确的分类反应都是在斜线之后给出的）。分数值表示由于树中缺少属性值而产生的不确定结果的反应。包含大多数成功反应的箱被分成三个不同的组（用绿色、蓝色和红色表示）。每个着色子树定义了一组特定的反应参数，有利于单晶形成。对这些条件的检验引出相应的化学假设，分别对应于低、中、高极化率。在补充资料中有一个扩展版本显示全部的切除子树。

图3：三个假设产生的模型，每一个假设对应一个代表结构。单晶形成所需的实验条件在很大程度上取决于胺性能。小而低的极化胺需要Na⁺缺失和较长的反应时间，避免无机单元沉淀。球面低投影尺寸的胺需要诸如VOSO₄的含V⁴⁺-试剂，因为它们无法直接从典型的V⁵⁺前体中产生V⁴⁺。长的三、四胺需要草酸反应来改变无机二级构筑单元的电荷密度，这三个假设分别对应于图2中的绿色，蓝色和红色的子树。

文章链接：

http://news.matlink.com.cn/pdf/machine-learning-assisted_materials_discovery.pdf

隐石检测拥有一批在业内取得显著成就的专业技术人员，在行业内有着丰富的检测经验。秉承着专注、专业、高效、想客户所想的理念，公司积极增加项目和完善更先进的测试仪器设备，保障每一个检测，分析，研发任务优质高效的完成。同时通过专业所长,为全球数万家优质客户提供最及时的行业技术标准信息，和更高精尖的分析检测解决方案。

　　隐石检测分别成立了阀门实验室，腐蚀实验室，金相实验室，力学实验室，无损实验室，耐候老化实验室。从事常压储罐检测，锅炉能效检测，金属腐蚀检测，SSC应力腐蚀检测，HIC抗氢致开裂检测，阀门检测，应力应变检测，无损探伤检测，机械设备检测，金相分析，石墨烯纳米材料检测，水质检测，油品检测涉及的服务范围已广泛覆盖到钢铁材料，有色金属材料，石油化工设备，通用机械设备，冶金矿石，建筑工程材料、航空航天材料，高铁船舶材料，汽车用零部件、非金属材料，电子电工产品等各个领域，并获得了CMA和CNAS;双重认可。