Beschleunigte Entdeckung metallischer Gläser durch Iteration von maschinellem Lernen und Hochdurchsatz-Experimenten

Mit mehr als hundert Elementen im Periodensystem gibt es eine große Anzahl potenzieller neuer Materialien, um die technologischen und gesellschaftlichen Herausforderungen, vor denen wir heute stehen, zu bewältigen; ohne gewisse Anleitung ist das Durchsuchen dieses riesigen kombinatorischen Raums jedoch frustrierend langsam und teuer, insbesondere bei Materialien, die stark von der Verarbeitung beeinflusst werden. Wir trainieren ein Modell für maschinelles Lernen (ML) mit zuvor berichteten Beobachtungen, Parametern aus physikochemischen Theorien und machen es syntheseabhängig, um Hochdurchsatz- (HiTp) Experimente zu leiten, um ein neues System metallischer Gläser im Co-V-Zr-Ternär zu finden. Experimentelle Beobachtungen stimmen gut mit den Vorhersagen des Modells überein, aber es gibt quantitative Abweichungen in den präzisen vorhergesagten Zusammensetzungen. Wir nutzen diese Abweichungen, um das ML-Modell neu zu trainieren. Das verfeinerte Modell hat die Genauigkeit nicht nur für das Co-V-Zr-System erheblich verbessert, sondern auch über alle anderen verfügbaren Validierungsdaten hinweg. Wir verwenden dann das verfeinerte Modell, um die Entdeckung metallischer Gläser in zwei zusätzlichen, zuvor nicht berichteten Ternären zu leiten. Obwohl unser Ansatz der iterativen Nutzung von ML und HiTp-Experimenten uns zu einer schnellen Entdeckung von drei neuen glasbildenden Systemen geführt hat, hat er uns auch einen quantitativ genauen, synthesewegabhängigen Prädiktor für metallische Gläser geliefert, der mit der Nutzung die Leistung verbessert und somit verspricht, die Entdeckung vieler neuer metallischer Gläser erheblich zu beschleunigen. Wir glauben, dass dieses Entdeckungsparadigma auf eine breitere Palette von Materialien anwendbar ist und sich ebenso mächtig für andere Materialien und Eigenschaften erweisen sollte, die synthesewegabhängig sind und die aktuellen physikochemischen Theorien schwer vorherzusagen sind.