Новый алгоритм может быстрее создавать светодиодные материалы
Исследователи из Хьюстонского университета разработали новый алгоритм машинного обучения, который достаточно эффективен для работы на персональном компьютере в прогнозирования свойств более 100 000 соединений в поисках наиболее эффективных люминофоров для светодиодного освещения.
Затем они синтезировали и протестировали одно из предсказанных соединений, натрий-барий-борат, и определили, что оно обеспечивает 95-процентную эффективность и выдающуюся термическую стабильность.
Исследователи использовали машинное обучение, чтобы быстро сканировать огромное количество соединений, для ключевых атрибутов, включая температуру Дебая и химическую совместимость. Ранее было продемонстрировано, что температура Дебая коррелирует с эффективностью.
LED или светодиодные лампы основаны на использовании небольших количеств редкоземельных элементов, обычно европия или церия,помещенных внутри керамического или оксидного хозяина — взаимодействие между этими двумя материалами определяет производительность. В документе основное внимание уделялось быстрому прогнозированию свойств материалов-хозяев.
Исследователи говорят, что проект предлагает убедительные доказательства того, что машинное обучение может привести к разработке высокопроизводительных материалов, которая традиционно руководствуется пробами, ошибками и простыми эмпирическими правилами.
Проект начался со списка из 118 287 возможных неорганических соединений люминофора из базы данных кристаллической структуры Пирсона; алгоритм сократил их до чуть более 2000. Еще через 30 секунд, он составил список из примерно двух десятков перспективных материалов.
Джако Бргох, один из авторов проекта, сказал, что этот процесс занял бы многие недели без машинного обучения. Его лаборатория выполняет машинное обучение и прогнозирование, а также синтез, поэтому, согласившись с рекомендованным алгоритмом, ученые сделали вывод, что натрий-барий-борат получился хорошим кандидатом.
Он оказался стабильным с квантовым выходом или эффективностью 95 процентов, но Джако Бргох сказал, что полученный свет был слишком синим, чтобы быть коммерчески полезным.
Однако, это не обескураживает исследователей. «Теперь мы можем использовать инструменты машинного обучения для поиска люминесцентного материала, который испускает длину волны, которая была бы полезна.» — говорят они.
«Наша цель — сделать светодиодные лампы не только более эффективными, но и улучшить их цветовое качество, одновременно снижая стоимость».
Более того, говорят исследователи, они продемонстрировали, что машинное обучение может значительно ускорить процесс обнаружения новых материалов. Эта работа является частью более широких усилий исследовательской группы по использованию машинного обучения и вычислений для открытия новых материалов с трансформационным потенциалом.
Ya Zhuo et al, Identifying an efficient, thermally robust inorganic phosphor host via machine learning, Nature Communications (2018). DOI: 10.1038/s41467-018-06625-z