近日，东南大学物理学院王金兰教授、巨明刚教授团队与浙江师范大学张毅教授实验团队合作，在机器学习加速二维钙钛矿材料合成研究中取得了重要进展，其研究成果以“Universal machine learning aided synthesis approach of two-dimensional perovskites in a typical laboratory”为题发表在Nature子刊《自然•通讯》(Nature Communications)上。
先进功能材料的研发是工业创新的基石。然而，材料合成是一个典型的复杂、多维的化学反应空间挑战，需要科学家评估各种反应条件，如前体、添加剂、溶剂、浓度和温度等。科学家在实验室中对合成条件的探索通常限制在有限的文献和个人经验中。因此，在典型实验室环境中，如何优化实验合成条件以加速新材料实现成为一个亟待解决的基本挑战。目前机器学习技术在新材料设计方面中取得了显著进展，但相对于性质和结构的预测，材料可合成性的预测则更为复杂，导致众多理论预测的新材料在实验中并不容易获得。
图1. 材料可合成性的机器学习评估框架：（a）高通量合成实验、（b）机器学习、（c）预测候选材料、（d）实验验证。
针对这一挑战，王金兰教授、巨明刚教授团队与合作者提出了一个旨在加速材料合成的机器学习通用框架。该框架结合了高通量实验、专家知识和机器学习技术，可以快速筛选具有高合成可能性的二维钙钛矿材料。该研究的材料数据集通过高通量实验获得，包含80种材料的合成结果，其中合成成功实验14次，合成失败实验66次。通过将二维钙钛矿中有机无机相互作用与有机分子的理化、立体和拓扑性质相结合，作者开发了一组与二维钙钛矿合成性密切相关的材料特征。借助子群发现方法，作者得到了一个更有利于合成二维银铋碘钙钛矿材料的区域。随后，通过应用机器学习技术得到了一个能够定量评估二维钙钛矿材料实验可合成性的描述符，并且从8406种候选材料中筛选出了344种具有高合成可能性的二维钙钛矿材料。进一步的验证表明，13种预测的二维银铋碘钙钛矿中有8种被成功合成，将合成成功率提升四倍。该研究为典型实验室在实验资源有限的情况下，利用小数据集解决多维化学优化问题提供了一条实用途径。
东南大学为本工作的第一通讯单位，论文第一作者为东南大学物理学院博士生吴艺蕾、巨明刚教授和浙江师范大学王长峰博士，通讯作者为东南大学物理学院王金兰教授、巨明刚教授和浙江师范大学张毅教授。该工作受到国家重点研发计划、国家自然科学基金及江苏省基础研究计划等项目的资助。
论文链接：https://doi.org/10.1038/s41467-023-44236-5
来源：物理学院