新方法以最少的数据确定最佳的材料设计

西北大学的研究人员已经开发出一种新的计算方法，以加快具有金属-绝缘体转变(MIT)表现的材料的设计，这是一种稀有的电子材料，已显示出潜力，可以在未来设计和交付更快的微电子和量子信息系统(基础技术)物联网设备和大型数据中心的背后，它们为人类工作和与他人互动提供了动力。

这项新策略是詹姆斯·朗迪内利(James Rondinelli)教授和陈伟(Wei Chen)教授之间的合作，它结合了统计推断，优化理论和计算材料物理学的技术。该方法将多目标贝叶斯优化与潜变量高斯过程相结合，以优化称为复杂腔隙尖晶石的MIT材料系列中的理想特征。

当研究人员搜索新材料时，他们通常会寻找类似材料的现有数据已经​​存在的地方。在现有作品中，借助高通量数据生成与机器学习等方法相辅相成的数据驱动方法，加快了许多类材料属性的设计。

但是，这种方法不适用于MIT材料，按其在导电状态和绝缘状态之间可逆切换的能力分类。大多数MIT模型是用来描述单一材料的，因此生成模型常常具有挑战性。同时，由于缺乏可用的数据，传统的机器学习方法显示出有限的预测能力，这使得设计新的MIT材料变得困难。

麦考密克工程学院材料科学与工程学教授和材料与制造专业的Morris E. Fine教授Rondinelli表示：“研究人员了解如何从大型材料数据集中提取信息，以及何时可以使用合适的特征。”研究的通讯作者。“但是当您没有大型数据集或必要的功能时，您会怎么做?我们的工作通过建立谓词和探索性模型来破坏这种现状，而无需大型数据集或从小型数据集开始的功能。”

11月6日，在《应用物理评论》(Applied Physics Review)上发表了一篇描述这项工作的论文，标题为“无特征的自适应优化加速了功能性电子材料设计” 。

研究团队的方法称为高级优化引擎(AOE)，通过使用潜在变量高斯过程建模方法来绕过传统的基于机器学习的发现模型，该方法仅需要材料的化学成分来识别其最佳性质。这使基于贝叶斯优化的AOE可以有效地搜索具有最佳带隙(电阻率/电导率)可调性和热稳定性(可合成性)的材料-有用材料的两个主要特征。