新的机器学习方法预测可以合成哪些2D材料

机器学习和人工智能正在应用于越来越多的任务，从识别照片中的面部，到推荐电影，甚至是驾驶汽车。使机器学习如此有效的关键因素是大量标记数据的可用性。人们长期以来一直在为Google，Facebook和Netflix标记数据，方法是在图片中标记朋友，在登录前识别颗粒状图像中的停止标志，以及对电影和电视节目进行评级。

但是，由于在该领域缺乏标记数据，在材料科学中使用机器学习(其试图设计和制造用于未来技术的材料)已经证明更加困难。在材料科学中，有关已成功创建的材料的数据被视为标记数据，但有关假定但尚未合成的大量材料的信息未标记。因此，创建新材料对科学家来说可能有点像猜测，但最近Penn的一项研究致力于通过创新的机器学习技术更清晰地合成新材料。

Vivek Shenoy，Eduardo D. Glandt总裁的杰出教授，任命 材料科学与工程， 机械工程和应用力学，以及 生物工程，负责该研究，该研究由Shenoy小组和国防科学研究生Nathan Frey领导。 工程研究生。德雷克塞尔大学和Mayagüez的波多黎各大学的合作者也为这项研究做出了贡献。

Shenoy和Frey开始将机器学习应用于材料科学，特别是专注于创建二维(2D)材料，或厚度仅为一层或几层原子的材料。目前可用于2D材料的大部分研究都集中在展示2D材料的可能合成以及它们保持独特，有用性质的潜力。理论计算提出了许多有前景的2D材料，但事实证明只有少数材料可以合成。Shenoy和Frey的目标是将可合成材料与理论上可能但实际上不可能的虚幻材料区分开来。

“问题是，一般来说，我们不知道在实验室中可以制造出哪些这些材料，”Frey说。“这有点像有一个真实的原创画廊，我们想买更多，但我们需要能够告诉假货的原件。这是一个很难的问题，但是如果我们足够地研究原件并找出使它们独特的原因，我们就可以学会识别这些伪造品。“

能够将可合成杰作的2D材料与其“假”对应物区分开来是材料科学家面临的一项艰巨挑战。实验测试材料合成是一个昂贵，耗时的过程，充满了不可预测性，但科学家们也缺乏标记数据的固体，或者有关合成材料的已知数据，以此为基础的典型机器学习方法。Shenoy和Frey通过使用不同的机器学习技术解决了这个问题，该技术专注于分析2D材料的成功例子 - 我们已经拥有的杰作。

“我们应用了一种称为'积极和无标签'的机器学习方法来解决哪些材料应该是最容易在实验室中合成的问题，”Frey说。“我们'积极'的数据是已经成功制作的材料。我们通过采用现有材料并想象用元素周期表中的类似元素切换构成它们的原子来发明新材料。所有这些理论化的材料都是“未标记的”，因为我们不知道它们是否可以制造。“

通过这种方式，团队使用可用的有限数据来预测特定2D材料合成的潜在成功或失败。如果科学家能够以这种方式持续应用机器学习，他们可以专注于制作很有可能成功合成并融入未来技术的材料，并避免在可能失败的材料上花费时间和资源。

在这项研究中，Shenoy和Frey专注于一系列称为MAX阶段的分层材料，这些材料可以通过化学改变来创建一类称为MXenes的2D材料，这些材料对于实际应用尤为重要。

“这些MXenes的2D特性赋予它们各种有趣的特性，这些特性在传统的3D材料中是看不到的。MXenes尤其具有从能量存储到水净化和生物传感的广泛应用，“Frey说。

研究小组的“积极和无标签”机器学习模型预测了18种MXene化合物，它们是实验合成的良好候选者。其中一些潜在的化合物含有以前在MXenes中从未见过的元素，扩展了2D材料列表，这些材料是未来行业应用的诱人选择。

虽然，在这一点上，研究只是表明某些二维材料可以成功创造，但弗雷已经在思考，一旦合成，这些材料如何成为即将到来的技术进步浪潮的关键组成部分。

“这些材料可用于下一代电池技术，或作为信息处理平台的构建模块，超越目前可用的计算机，”Frey说。