新方法以最少的數據確定最佳的材料設計

西北大學的研究人員已經開發出一種新的計算方法，以加快具有金屬-絕緣體轉變(MIT)表現的材料的設計，這是一種稀有的電子材料，已顯示出潛力，可以在未來設計和交付更快的微電子和量子信息系統(基礎技術)物聯網設備和大型數據中心的背后，它們為人類工作和與他人互動提供了動力。

這項新策略是詹姆斯·朗迪內利(James Rondinelli)教授和陳偉(Wei Chen)教授之間的合作，它結合了統計推斷，優化理論和計算材料物理學的技術。該方法將多目標貝葉斯優化與潛變量高斯過程相結合，以優化稱為復雜腔隙尖晶石的MIT材料系列中的理想特征。

當研究人員搜索新材料時，他們通常會尋找類似材料的現有數據已經??存在的地方。在現有作品中，借助高通量數據生成與機器學習等方法相輔相成的數據驅動方法，加快了許多類材料屬性的設計。

但是，這種方法不適用于MIT材料，按其在導電狀態和絕緣狀態之間可逆切換的能力分類。大多數MIT模型是用來描述單一材料的，因此生成模型常常具有挑戰性。同時，由于缺乏可用的數據，傳統的機器學習方法顯示出有限的預測能力，這使得設計新的MIT材料變得困難。

麥考密克工程學院材料科學與工程學教授和材料與制造專業的Morris E. Fine教授Rondinelli表示：“研究人員了解如何從大型材料數據集中提取信息，以及何時可以使用合適的特征。”研究的通訊作者。“但是當您沒有大型數據集或必要的功能時，您會怎么做?我們的工作通過建立謂詞和探索性模型來破壞這種現狀，而無需大型數據集或從小型數據集開始的功能。”

11月6日，在《應用物理評論》(Applied Physics Review)上發表了一篇描述這項工作的論文，標題為“無特征的自適應優化加速了功能性電子材料設計” 。

研究團隊的方法稱為高級優化引擎(AOE)，通過使用潛在變量高斯過程建模方法來繞過傳統的基于機器學習的發現模型，該方法僅需要材料的化學成分來識別其最佳性質。這使基于貝葉斯優化的AOE可以有效地搜索具有最佳帶隙(電阻率/電導率)可調性和熱穩定性(可合成性)的材料-有用材料的兩個主要特征。