Naar schatting zijn er meer dan 10 ¹⁰⁰ mogelijke materialen die kunnen worden gesynthetiseerd, gegroeid en geoptimaliseerd. Materiaalontwerp kan een langzaam en arbeidsintensief proces zijn, en het onderzoeken van de volledige parameterruimte is een enorme uitdaging. Machine learning en andere geavanceerde statistische technieken zullen de materiaalontwikkeling vrijwel zeker versnellen, maar veel materiaalwetenschappers zijn zich er niet van bewust dat zeer basale statistische ontwerpmethoden het proces kunnen versnellen. Deze omvatten het fractionele factoriële ontwerp van experimenten, die vaker wordt gebruikt door productingenieurs dan materiaalwetenschappers.

Gelaagde chalcogenide materialen, zoals Sb ₂ Te ₃ , hebben de afgelopen tien jaar veel aandacht getrokken vanwege hun topologisch niet-triviale slechte structuur, en gebruik in thermo-elektriciteit en grensvlakfaseveranderingsgeheugen. Hoge kwaliteit kristallen van Sb ₂ Te ₃ zijn vereist voor krachtige geheugen- en energieomzettende apparaten. Echter, het efficiënt optimaliseren van de kristalkwaliteit is een uitdaging omdat het zeer gevoelig is voor een groot aantal syntheseparameters, zoals temperatuur, druk, omringende materialen en depositiesnelheid. Het is vaak moeilijk om de parameters te bepalen die de kristalkwaliteit aanzienlijk beïnvloeden, d.w.z., "we kunnen door de bomen het bos niet meer zien, " en daarom, het is moeilijk om te weten welke ontwerpparameter prioriteit moet krijgen tijdens optimalisatie.

Onderzoekers van de Singapore University of Technology and Design (SUTD) gebruikten de Sb ₂ Te ₃ groeiprobleem om de kracht van fractioneel factorieel ontwerp in materiaalkunde aan te tonen. Na het blootleggen van de statistisch significante parameters en interacties die de kwaliteit van de Sb . beïnvloeden ₂ Te ₃ Kristallen, het onderzoeksteam was in staat om gelaagde Sb . van hoge kwaliteit te kweken ₂ Te ₃ kristallen over een 4 "siliciumwafel met behulp van sputteren, wat een industrieel schaalbare depositietechniek is.

SUTD hoofdonderzoeker, Assistent-professor Robert Simpson zei:"Onze studie toont aan dat deze interdisciplinaire statistische optimalisatietechnieken aanzienlijke efficiëntieverhogingen kunnen opleveren, en het is daarom verbijsterend dat deze benaderingen niet veel worden gebruikt in de materiaalwetenschap. Misschien is de terughoudendheid om fractioneel factorieel ontwerp toe te passen te wijten aan het feit dat het puur statistisch is en niet direct informatie geeft over de onderliggende fysica. Echter, tegenwoordig, kunstmatige intelligentie zorgt voor een revolutie in 'black box'-optimalisatietechnieken in de materiaalwetenschap en het samenvoegen ervan met fysieke modellen zal ongetwijfeld leiden tot radicale veranderingen in de manier waarop we materiaalwetenschap bedrijven."