尋找具有定製效能材料的任務，正日益擴充套件到高階組合空間，候選材料的數量相應成爆炸性增長。一個關鍵的挑戰是，在合成空間中發現材料具有新特性的區域。傳統的材料特性預測模型不夠精確，無法指導搜尋。
在此，來自美國加州理工學院的John M。 Gregoire等研究者，透過自動化實驗和資料科學發現複雜氧化物。相關論文以題為“Discovery of complex oxides via automated experiments and data science”發表在Proceedings of the National Academy of Science of the United States of America上。
論文連結：
資料科學，在材料研究中的日益融合，預計將加速發現效能改善的材料及其組合，用於需要多功能材料的技術應用。
機器學習，是構建預測模型的一種流行方法，但有限的訓練資料往往會影響預測的準確性，特別是在沒有訓練資料的組合空間。訓練資料在高階成分空間（例如，至少三個正離子氧化物）中特別有限，這為透過形成相（即包含所有三個正離子的晶體結構或替代合金），來調整多種性質提供了機會。大量潛在的高階成分，超過了現有的發現或預測方法，而預測替代合金相及其效能，仍然是一個巨大的挑戰。
在此，研究者開發了兩種資料科學方法，來發現高階組成空間中的材料。
相圖模型採用熱力學平衡假設，僅利用光學吸收資料提出候選相圖。湧現特性模型，使用相同的資料，來識別那些光學特性不能用相同元素的低階組分的組合來解釋的組分。該工作還描述了高通量工作流的設計和實現，該工作流為這些模型提供資料，以及一個用於指導發現的示例用例。研究者的主要發現是，適當構建的資料科學模型可以使用傳統上不用於相表徵的資料來推斷複雜材料的相行為。這些推論增加了現有資料集的科學價值，並指導了材料的發現工作。
在此，
研究者透過高通量實驗，結合自動化質量控制和光譜顯微鏡資料建模，演示了這種方法在三陽離子氧化物系統中的應用
。選擇的三陽離子氧化物組合物與低階氧化物組合物相比具有獨特的性質，因此，可以進行更昂貴和耗時的結構和功能表徵。這種方法不同於計算逆設計，在計算逆設計中，模型預測材料具有特定的效能，這是一種很有前途的策略，但受到了實驗效能計算預測和可合成材料計算生成的雙重挑戰的阻礙。研究者的方法，將策略從識別具有特定屬性的材料轉變為快速篩選可能具有任何屬性的材料。透過釋出實驗和分析資料庫，研究者旨在加快社群對組合空間的選擇，並在其中發現具有廣泛屬性的材料。
由於組合空間的組合學，無論是透過實驗還是計算，發現具有理想性質的複雜相都是非常具有挑戰性的。搜尋材料專案中含有氧的條目，擁有一個相關的無機晶體結構資料庫條目，在排除惰性氣體和非金屬元素（He、Ne、Ar、Kr、Xe、Rn、C、N、F、P、S、Cl、Se、Br、I、H）的情況下，73個陽離子元素可生成755個1-陽離子氧化物。對雙陽離子氧化物進行同樣的搜尋，發現的材料數量增加到4345種，儘管對三陽離子氧化物進行相應的搜尋，只得到3163種材料。
最終，研究者以Mg、Fe、Co、Ni、Cu、Y、In、Sn、Ce和Ta為基礎，從108個三陽離子氧化體系中篩選了376，752個不同的組分。候選相圖和具有突出光學性質的三陽離子組成的資料模型，指導了具有複雜相依賴性質的材料的發現，如Co-Ta-Sn取代合金氧化物的發現，其透明度、催化活性和在強酸電解質中的穩定性可調。這些結果，需要資料驗證與實驗設計的緊密耦合，以生成可靠的端到端高通量工作流，以加速科學發現。使用這種方法，就不需要使用自動化的高通量方法來測量感興趣的每一種材料屬性。（文：水生）
圖1 金屬氧化物庫的合成、表徵和分析工作流程。
圖2 三陽離子氧化物光學制圖的說明性範例和總結。
圖3 Sn-Co-Ta氧化物的光學相分析。
圖4 利用濺射沉積薄膜對Sn-Co-Ta氧化物成分空間進行後續研究。
本文來自微信公眾號“材料科學與工程”。歡迎轉載請聯絡，未經許可謝絕轉載至其他網站。