Science子刊：机器学习实现多元素异质结构的加速设计和合成！

在材料发现工作中，合成能力远远超过从中提取有意义数据的能力。为了弥补这一差距，需要机器学习方法来减少识别所需材料的搜索空间。

在此，美国西北大学Chad A. Mirkin等人提出了一个机器学习驱动的闭环实验过程，以指导具有目标结构特性的多元素纳米材料的合成。通过利用来自八维化学空间（Au-Ag-Cu-Co-Ni-Pd-Sn-Pt）的数据作为输入，使用过去的实验结果学习纳米粒子（NP）的目标属性与设计参数之间的关系且可以通过物理实验和优化算法之间的迭代反馈循环来指导昂贵且劳动密集型的合成搜索。

作者展示了扫描探针嵌段共聚物光刻（SPBCL）合成技术、扫描透射电子显微镜（STEM）成像及贝叶斯优化（BO）多金属NP的高效闭环集成，重点是加速发现孤立的（单）界面、两相四元、五元和三元多金属更广泛的八维元素空间中的NP。

图1. 用于发现四元金属双相单界面NPs的闭环优化

研究表明，该闭环能够预测合成新的复杂材料，包括有史以来最复杂的双相NP，成功率远高于随机选择（19次预测中正确预测了18次新材料，准确率约为95%），甚至在更复杂的情况下比敏锐的化学直觉成功率更高。

此外，该闭环设计可以扩展到更高通量的合成/实验及更复杂的性质（如催化活性或稳定性），作者证明了SPBCL并行化以在单个实验中合成数千/百万种独特材料的可行性。随着开发新的表征技术以更高的吞吐量从纳米材料的巨型库中提取更多信息以及目标特性变得越来越复杂，使用这种机器学习辅助工具来指导搜索的优势将呈指数级增长，这项研究有望在广泛的应用和行业中改变材料发现范式。

图2. 不同双相纳米颗粒中界面的STEM-EDS表征

Machine learning–accelerated design and synthesis of polyelemental heterostructures, Science Advances 2021. DOI: 10.1126/sciadv.abj5505