机器学习算法助力最优荧光粉方案问世贸易

来自休斯顿大学的研究者设计了一种新型机器学习算法，可在一台个人计算机上运行，并高效预测超过 10 万种合成物的性质，以搜索用于 LED 照明的最优荧光粉。他们合成并测试了其中一种通过计算预测得到的合成物：硼酸钡钠（sodium-barium-borate），并确定它能提供 95% 的效率和优越的热稳定性。

10 月 22 日，化学系助理教授 Jakoah Brgoch 及其实验室成员在 Nature Communications 期刊上发表了关于该研究的论文。

研究者使用机器学习快速扫描大量合成物，寻找关键属性，包括德拜温度和化学兼容性。Brgoch 之前曾发现德拜温度与荧光粉的效率有关。

发光二极管（LED）使用了少量稀土元素，通常是铕或铈，这些元素通常位于基质材料（如陶瓷或氧化物）内。这两种材料之间的相互作用决定了 LED 的性能。这篇论文主要介绍如何快速预测基质材料的特性。

Brgoch 说：「该项目强有力地证明了机器学习对开发高性能材料有很大价值，高性能材料领域通常由试错和简单的实证规则主导。它告诉我们应该看哪里，并指导我们的合成实践。」

除了 Brgoch，该论文的作者还包括 Brgoch 实验室的研究生 Ya Zhuo 和 Aria Mansouri Tehrani、前博士后研究员 Anton O. Oliynyk 和最近的博士生 Anna C. Duke。

Brgoch 和 UH 数据科学研究所（UH Data Science Institute）合作，并把 UH 高级计算和数据科学中心（UH Center for Advanced Computing and Data Science）的计算资源用于之前的研究。然而，用于这项研究的算法是在个人计算机上运行的。

该项目从 Pearson 的晶体结构数据库（Crystal Structure Database）中列出 118287 种可能的无机荧光粉化合物开始；该算法将这一数字削减到 2000 多。过了 0 秒后，它又生成了一份只有 20 几种可能材料的清单。

Brgoch 表示如果没有机器学习，这个过程要花费数周。

他的实验室研究机器学习和预测、合成，所以在算法推荐硼酸钡钠之后，研究员们做出了这种合成物。实验证明它非常稳定，量子产率或者效率达到 95%，但 Bugoch 说它产生的光不够蓝，不能满足商用。

这并没有令他们沮丧，他说：「现在我们能使用机器学习工具发现一种发冷光的材料，可发射出有用的波长。我们的目标不仅是使 LED 灯更高效，还要改进其颜色质量，且降低成本。」

关于这一点，研究人员称，他们证明了机器学习能极大地加速发现新材料的过程。这项研究是他们使用机器学习和计算发现变革性新材料的努力之一。