Science Advances：通過機器學習迭代和高通量實驗快速發現非晶合金

【引言】

在元素周期表內多達一百多種的元素中，存在著大量潛在的新材料可用于應對我們當前遇到的技術難題和社會挑戰。然而，由于缺乏導向性，特別是對于某些受制備過程影響較大的材料體系，從海量的組成空間中搜索可行方案是一個相當緩慢和昂貴的過程。

?【成果簡介】

近日，美國SLAC國家加速器實驗室的Apurva Mehta（通訊作者）課題組和西北大學、芝加哥大學的研究人員合作，在Science Advances上發表了題為“Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments”的文章。作者通過基于前期報道的觀察、物理化學理論的參數，訓練機器學習模型，形成合成測量方法來知道高通量實驗，用于尋找喲中Co-V-Zr三組元非晶合金體系。實驗觀察和模型預測可以很好地符合，但在精確組成預測上存在著定量差異。作者將這些差異用于機器學習模型的再訓練，優化后的模型的精確度顯著題提升，不僅體現在Co-V-Zr體系，而且涵蓋了現有的其他有效數據。此后，作者使用優化后的模型來指導發現了兩種額外的未經報道的三元系非晶合金。

【圖文導讀】

圖1：結合機器學習迭代和高通量實驗來快速且有導向性地進行材料探索的模型的示意圖。

圖2：用于非晶合金形成的機器學習模型的性能和預測結果。

(A)預測甩帶非晶形成能力模型的相對工作特征曲線和LB手冊中甩帶實驗數據得相互驗證；

(B) 甩帶和堆積模型的相對工作特征曲線和LB手冊中磁控濺射法合成的非晶合金的實驗數據的相互驗證;

(C&D) 對熔體紡絲(C)和共沉淀濺射方法(D)合成Co-V-Zr非晶形成液體的預測。

圖3：第一代機器學習模型和生化理論的比較。

(A)基于Yang和Zhang理論的高玻璃形成可能性的預測；

(B)基于有效堆積模型的玻璃形成可能性的預測；

(C)結合兩種生化理論的機器學習模型對玻璃形成可能性的預測。

圖4：新型高通量實驗結果和第一代預測的比較。

(A)機器學習模型結合生化理論對濺射共沉積的玻璃形成可能性的預測；

(B)在高通量XRD實驗中測得的第一衍射峰的半高寬；

(C)基于非晶硅的XRD測量的第一衍射峰半高寬所得的玻璃形成閾值，對玻璃形成可能性的分布預測。

圖5：機器學習模型的更新一代。

(A)Co-V-Zr三元系的修正預測；

(B)三元系中未被發現的最大玻璃形成區域的預測；

(C)第一、第二和第三代模型的相對工作特征曲線比較，以及和所有現有的濺射共沉積合成數據的相互驗證。

圖6：第一代和第二代預測結果和Co-V-Zr，Co-Fe-Zr，Fe-Ti-Nb三元系的高通量實驗結果相比較。

(A1-A3)第一代機器學習模型的玻璃形成可能性預測；

(B1-B3)第二代機器學習模型的修正結果；

(C1-C3)高通量實驗的XRD測量的第一衍射峰的半高寬；

(D1-D3)應用C1-C3數據的非晶硅玻璃形成閾值的玻璃形成區域的實驗分布。

【小結】

本文通過機器學習迭代和高通量實驗的方法，研究人員可以快速發現三種新的玻璃形成體系，并具有定量準確性，合成對制備方法敏感的材料，此種方法對其他材料和與合成路徑相關的材料性質同樣有效，這對于用現有的物理化學理論來預測是相當難的。

文獻鏈接：Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments（Sci.Adv.，2018，DOI：10.1126/sciadv.aaq1566）

本文由材料人計算材料組Isobel供稿，材料牛整理編輯。

材料牛網專注于跟蹤材料領域科技及行業進展，這里匯集了各大高校碩博生、一線科研人員以及行業從業者，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入編輯部大家庭。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaokefu。

材料人重磅推出材料計算解決方案，組建了一支來自全國知名高校老師及企業工程師的科技顧問團隊，專注于為大家解決各類計算模擬需求。如果您有需求，歡迎掃以下二維碼提交您的需求。或點擊鏈接提交，或直接聯系微信客服（微信號：iceshigu）