Onderzoekers van de Universiteit van Houston hebben een nieuw machine learning-algoritme bedacht dat efficiënt genoeg is om op een pc te draaien en de eigenschappen te voorspellen van meer dan 100, 000 verbindingen op zoek naar de meest waarschijnlijke efficiënte fosforen voor LED-verlichting.

Ze synthetiseerden en testten vervolgens een van de voorspelde verbindingen - natrium-bariumboraat - en stelden vast dat het 95 procent efficiëntie en uitstekende thermische stabiliteit biedt.

Jakoa Brgoch, assistent-professor scheikunde, en leden van zijn lab beschrijven het werk dat in een paper op 22 oktober is gepubliceerd Natuurcommunicatie .

De onderzoekers gebruikten machine learning om snel enorme aantallen verbindingen te scannen op belangrijke kenmerken, inclusief Debye temperatuur en chemische compatibiliteit. Brgoch heeft eerder aangetoond dat Debye-temperatuur gecorreleerd is met efficiëntie.

LED, of lichtgevende diode, gebaseerde lampen werken door het gebruik van kleine hoeveelheden zeldzame aardelementen, meestal europium of cerium, gesubstitueerd in een keramische of oxidegastheer - de interactie tussen de twee materialen bepaalt de prestaties. Het papier was gericht op het snel voorspellen van de eigenschappen van de gastheermaterialen.

Brgoch zei dat het project sterk bewijs biedt van de waarde die machine learning kan hebben voor het ontwikkelen van hoogwaardige materialen, een vakgebied dat traditioneel wordt geleid door vallen en opstaan ​​en eenvoudige empirische regels.

"Het vertelt ons waar we moeten kijken en stuurt onze synthetische inspanningen, " hij zei.

Naast Brgoch, onderzoekers op het papier zijn onder meer Ya Zhuo en Aria Mansouri Tehrani, afgestudeerde studenten in het laboratorium van Brgoch, voormalig postdoctoraal onderzoeker Anton O. Oliynyk en recent Ph.D. afgestudeerd Anna C. Duke.

Brgoch werkt samen met het UH Data Science Institute en heeft de computerbronnen van het UH Center for Advanced Computing and Data Science voor eerder werk gebruikt. Het algoritme dat voor dit werk is gebruikt, echter, werd uitgevoerd op een personal computer.

Het project begon met een lijst van 118, 287 mogelijke anorganische fosforverbindingen uit de Pearson's Crystal Structure Database; het algoritme bracht dat terug tot iets meer dan 2, 000. Nog 30 seconden en het had een lijst van ongeveer twee dozijn veelbelovende materialen opgeleverd.

Dat proces zou weken hebben geduurd zonder het voordeel van machine learning, zei Brgoch.

Zijn lab doet aan machine learning en voorspelling, evenals synthese, dus na akkoord te zijn gegaan met het door het algoritme aanbevolen natrium-barium-boraat was een goede kandidaat, onderzoekers hebben de verbinding gemaakt.

Het bleek stabiel, met een kwantumopbrengst of efficiëntie van 95 procent, maar Brgoch zei dat het geproduceerde licht te blauw was om commercieel wenselijk te zijn.

Dat was niet ontmoedigend, hij zei. "Nu kunnen we de machine learning-tools gebruiken om een ​​lichtgevend materiaal te vinden dat uitzendt in een golflengte die nuttig zou zijn.

"Ons doel is om LED-lampen niet alleen efficiënter te maken, maar ook hun kleurkwaliteit te verbeteren, terwijl de kosten worden verlaagd."

Beter gezegd, zeiden de onderzoekers, ze toonden aan dat machine learning het proces van het ontdekken van nieuwe materialen drastisch kan versnellen. Dit werk maakt deel uit van de bredere inspanningen van zijn onderzoeksgroep om machinaal leren en computergebruik te gebruiken om hun ontdekking van nieuwe materialen met transformatief potentieel te begeleiden.