人工智慧為發現新的稀土化合物鋪平了道路

人工智慧推進了科學家探索材料的方式。 埃姆斯實驗室 和德克薩斯 A&M 大學的研究人員訓練了一個機器學習 (ML) 模型來評估稀土化合物的穩定性。這項工作得到了埃姆斯實驗室的實驗室指導研究與開發計劃 (LDRD) 計劃的支援。他們開發的框架建立在當前用於試驗化合物和了解化學不穩定性的最先進方法的基礎上。

自 20 世紀中葉以來，埃姆斯實驗室一直是稀土研究的領導者。稀土元素具有廣泛的用途，包括清潔能源技術、儲能和永磁體。發現新的稀土化合物是科學家擴大獲取這些材料的努力的一部分。

目前的方法基於機器學習 (ML)，這是人工智慧 (AI) 的一種形式，由計算機演算法驅動，通過資料使用和體驗進行改進。研究人員使用升級後的艾姆斯實驗室稀土資料庫 (RIC 2.0) 和高通量密度泛函理論 (DFT) 為他們的機器學習模型奠定了基礎。

高通量篩選是一種計算方案，允許研究人員快速測試數百個模型。DFT 是一種量子力學方法，用於研究許多物體系統的熱力學和電子特性。基於這些資訊收集，開發的 ML 模型使用迴歸學習來評估化合物的相穩定性。

愛荷華州立大學研究生 Tyler Del Rose 通過編寫演算法在網路上搜索資訊以補充資料庫和 DFT 計算，進行了資料庫所需的大部分基礎研究。

材料分析基於離散反饋迴圈，其中 AI/ML 模型使用新的 DFT 資料庫更新，該資料庫基於從實驗中獲得的實時結構和相位資訊。

該框架旨在探索稀土化合物，因為它們具有技術重要性，但其應用不僅限於稀土研究。相同的方法可用於訓練 ML 模型以預測化合物的磁性、變革製造的過程控制以及優化機械行為。獲 取 更多前沿科技研究 進展訪問： http://byteclicks.com

這項工作僅僅是開始。該團隊正在探索這種方法的全部潛力，但他們樂觀地認為該框架將來會有廣泛的應用。

這項研究發表在 Acta Materialia 上。