Forskare från University of Houston har tagit fram en ny maskininlärningsalgoritm som är tillräckligt effektiv för att köras på en persondator och förutsäga egenskaperna hos mer än 100, 000 föreningar på jakt efter de som mest sannolikt är effektiva fosforer för LED-belysning.

De syntetiserade och testade sedan en av de beräkningsmässigt förutspådda föreningarna - natrium-barium-borat - och fastställde att den erbjuder 95 procent effektivitet och enastående termisk stabilitet.

Jakoah Brgoch, biträdande professor i kemi, och medlemmar av hans labb beskriver arbetet i en artikel publicerad 22 oktober Naturkommunikation .

Forskarna använde maskininlärning för att snabbt skanna ett stort antal föreningar efter nyckelattribut, inklusive Debye-temperatur och kemisk kompatibilitet. Brgoch har tidigare visat att Debye-temperaturen är korrelerad med effektivitet.

LED, eller lysdiod, baserade lökar fungerar genom att använda små mängder av sällsynta jordartsmetaller, vanligtvis europium eller cerium, ersättas i en keramisk eller oxidvärd – interaktionen mellan de två materialen bestämmer prestandan. Uppsatsen fokuserade på att snabbt förutsäga egenskaperna hos värdmaterialen.

Brgoch sa att projektet ger starka bevis på värdet som maskininlärning kan ge för att utveckla högpresterande material, ett fält som traditionellt styrs av trial-and-error och enkla empiriska regler.

"Den talar om för oss var vi ska leta och riktar våra syntetiska ansträngningar, " han sa.

Förutom Brgoch, forskare på papper inkluderar Ya Zhuo och Aria Mansouri Tehrani, doktorander i Brgochs labb, före detta postdoktorand Anton O. Oliynyk och nyligen Ph.D. examen Anna C. Duke.

Brgoch samarbetar med UH Data Science Institute och har använt datorresurserna vid UH Center for Advanced Computing and Data Science för tidigare arbete. Algoritmen som används för detta arbete, dock, kördes på en persondator.

Projektet startade med en lista på 118, 287 möjliga oorganiska fosforföreningar från Pearson's Crystal Structure Database; Algoritmen minskade det till drygt 2, 000. Ytterligare 30 sekunder och det hade producerat en lista på cirka två dussin lovande material.

Den processen skulle ha tagit veckor utan fördelen med maskininlärning, sa Brgoch.

Hans labb gör maskininlärning och förutsägelse, såväl som syntes, så efter att ha godkänt det algoritmrekommenderade natrium-barium-boratet var en bra kandidat, forskare skapade föreningen.

Det visade sig vara stabilt, med ett kvantutbyte eller effektivitet på 95 procent, men Brgoch sa att ljuset som producerades var för blått för att vara kommersiellt önskvärt.

Det var inte nedslående, han sa. "Nu kan vi använda maskininlärningsverktygen för att hitta ett självlysande material som sänder ut i en våglängd som skulle vara användbar.

"Vårt mål är att göra LED-glödlampor inte bara mer effektiva utan också förbättra deras färgkvalitet, samtidigt som kostnaderna minskar."

Mer relevant, forskarna sa, de visade att maskininlärning dramatiskt kan påskynda processen att upptäcka nytt material. Detta arbete är en del av hans forskargrupps bredare ansträngningar att använda maskininlärning och beräkningar för att vägleda deras upptäckt av nya material med transformativ potential.