En algoritm för maskininlärning som kan förutsäga sammansättningar av trendmotståndande nya material har utvecklats av RIKEN-kemister1. Det kommer att vara användbart för att hitta material för applikationer där det finns en avvägning mellan två eller flera önskvärda egenskaper.

Artificiell intelligens har stor potential att hjälpa forskare att hitta nya material med önskvärda egenskaper. En maskininlärningsalgoritm som har tränats med kompositioner och egenskaper hos kända material kan förutsäga egenskaperna hos okända material, sparar mycket tid i labbet.

Men att hitta nya material för applikationer kan vara svårt eftersom det ofta finns en avvägning mellan två eller flera materialegenskaper. Ett exempel är organiska material för organiska solceller, där det är önskvärt att maximera både spänningen och strömmen, noterar Kei Terayama, som var på RIKEN Center for Advanced Intelligence Project och nu är på Yokohama City University. "Det finns en avvägning mellan spänning och ström:ett material som uppvisar en hög spänning kommer att ha en låg ström, medan en med hög ström kommer att ha en låg spänning. "

Materialvetare vill därför ofta hitta "out-of-trend" -material som sparar den vanliga avvägningen. Men tyvärr går konventionella maskininlärningsalgoritmer mycket bättre på att upptäcka trender än att upptäcka material som går emot dem.

Nu, Terayama och hans medarbetare har utvecklat en maskininlärningsalgoritm, BLOX (BoundLess Objective free eXploration), som kan hitta out-of-trend material.

Teamet visade algoritmens kraft genom att använda den för att identifiera åtta out-of-trend-molekyler med en hög grad av fotoaktivitet från en databas för upptäckt av läkemedel. Egenskaperna hos dessa molekyler uppvisade god överensstämmelse med de som förutspås av algoritmen. "Vi hade oro över beräkningens riktighet men var glada över att se att beräkningen var korrekt, "säger Terayama." Detta visar potentialen för beräkningsdriven materialutveckling. "

BLOX använder maskininlärning för att generera en förutsägelsemodell för viktiga materialegenskaper. Det gör detta genom att kombinera data för material som slumpmässigt väljs från en materialdatabas med experimentella eller beräkningsresultat. BLOX använder sedan modellen för att förutsäga egenskaperna hos en ny uppsättning material. Från dessa nya material, BLOX identifierar den som avviker mest från den totala distributionen. Materialets egenskaper bestäms genom experiment eller beräkningar och används sedan för att uppdatera maskininlärningsmodellen, och cykeln upprepas.

Viktigt, till skillnad från många tidigare algoritmer, BLOX inför inga begränsningar för utbudet av materialstrukturer och kompositioner som kan utforskas. Den kan alltså sträcka sig långt och brett i sin jakt på avlägsna material.

Teamet har gjort BLOX fritt tillgängligt online.