利用機器學習技術開發新型壓電材料
瀏覽次數： 342 發布時間：2018-01-18 09:06:53 發布人：editor
傳統的材料開發方式往往依賴于試錯法或者經驗。但是隨著材料成分、微觀結構等復雜性的增加，傳統的方法不再適用。如何利用盡可能少的實驗來有效的提升新材料的性能，是材料研究人員所面臨的巨大挑戰。
【成果簡介】
機器學習技術被認為可以從大量材料科學的數據中通過算法搜索隱藏于其中的重要信息，建立材料性能的預測模型，進而實現材料性能的快速優化。機器學習模型雖然可以對未知材料性能做出預測，但是面對大量已有預測值的可能材料，如何最有效地選擇下一步實驗要合成和測試的樣品?近日國際期刊Advanced Materials以“Accelerated Discovery of Large Electrostrains in BaTiO3-Based Piezoelectrics Using Active Learning”為題發表了西安交通大學最新研究成果，該工作發現平衡考慮預測值與不確定性的實驗設計策略在材料開發中更加高效。該工作由西安交通大學金屬材料強度國家重點實驗室孫軍教授、丁向東教授團隊博士生袁睿豪、薛德禎副教授等與美國洛斯阿拉莫斯國家實驗室的Turab Lookman教授合作完成。
【圖文導讀】
圖1. 利用自適應設計循環提升材料開發速度
圖2. 統計模型以及不同選擇策略的表現
圖3. 新開發材料性能表征
圖4. 與其他無鉛壓電體系對比
圖5. 朗道理論對高電致應變的解釋
【小結】
本文提出了一個基于主動學習技術的材料設計方法，并應用于加速設計開發新型壓電材料。這一設計思路是一個由數據采集、統計模型、實驗設計、結果反饋組成的循環回路;通過對回路的多次循環，實現對材料目標性能的快速優化。區別于以往以預測結果為導向的實驗設計，上述循環最大的不同之處在于利用預測結果的不確定性(uncertainty)進行實驗設計，僅僅通過三組實驗就成功開發了一種具有高電致應變的無鉛壓電材料。同時，本文還比較了不同的實驗設計策略，發現平衡考慮預測值與不確定性的策略在材料開發中更加高效。該思路可以被廣泛應用于新材料的快速研發。
文獻鏈接：Accelerated Discovery of Large Electrostrains in BaTiO3-Based Piezoelectrics Using Active Learning (Adv. Mater., 2018, DOI: 10.1002/adma.201702884)