來自休斯頓大學的研究者設計了一種新型機器學習算法，可在一臺個人計算機上運行，并高效預測超過 10 萬種合成物的性質(zhì)，以搜索用于 LED 照明的最優(yōu)熒光粉。他們合成并測試了其中一種通過計算預測得到的合成物：硼酸鋇鈉（sodium-barium-borate），并確定它能提供 95% 的效率和優(yōu)越的熱穩(wěn)定性。

10 月 22 日，化學系助理教授 Jakoah Brgoch 及其實驗室成員在 Nature Communications 期刊上發(fā)表了關于該研究的論文。

研究者使用機器學習快速掃描大量合成物，尋找關鍵屬性，包括德拜溫度和化學兼容性。Brgoch 之前曾發(fā)現(xiàn)德拜溫度與熒光粉的效率有關。

發(fā)光二極管（LED）使用了少量稀土元素，通常是銪或鈰，這些元素通常位于基質(zhì)材料（如陶瓷或氧化物）內(nèi)。這兩種材料之間的相互作用決定了 LED 的性能。這篇論文主要介紹如何快速預測基質(zhì)材料的特性。

Brgoch 說：「該項目強有力地證明了機器學習對開發(fā)高性能材料有很大價值，高性能材料領域通常由試錯和簡單的實證規(guī)則主導。它告訴我們應該看哪里，并指導我們的合成實踐?！?/p>

除了 Brgoch，該論文的作者還包括 Brgoch 實驗室的研究生 Ya Zhuo 和 Aria Mansouri Tehrani、前博士后研究員 Anton O. Oliynyk 和最近的博士生 Anna C. Duke。

Brgoch 和 UH 數(shù)據(jù)科學研究所（UH Data Science Institute）合作，并把 UH 高級計算和數(shù)據(jù)科學中心（UH Center for Advanced Computing and Data Science）的計算資源用于之前的研究。然而，用于這項研究的算法是在個人計算機上運行的。

該項目從 Pearson 的晶體結構數(shù)據(jù)庫（Crystal Structure Database）中列出 118287 種可能的無機熒光粉化合物開始；該算法將這一數(shù)字削減到 2000 多。過了 30 秒后，它又生成了一份只有 20 幾種可能材料的清單。

Brgoch 表示如果沒有機器學習，這個過程要花費數(shù)周。

他的實驗室研究機器學習和預測、合成，所以在算法推薦硼酸鋇鈉之后，研究員們做出了這種合成物。實驗證明它非常穩(wěn)定，量子產(chǎn)率或者效率達到 95%，但 Bugoch 說它產(chǎn)生的光不夠藍，不能滿足商用。

這并沒有令他們沮喪，他說：「現(xiàn)在我們能使用機器學習工具發(fā)現(xiàn)一種發(fā)冷光的材料，可發(fā)射出有用的波長。我們的目標不僅是使 LED 燈更高效，還要改進其顏色質(zhì)量，且降低成本?！?/p>

關于這一點，研究人員稱，他們證明了機器學習能極大地加速發(fā)現(xiàn)新材料的過程。這項研究是他們使用機器學習和計算發(fā)現(xiàn)變革性新材料的努力之一。