机器学习和人工智能正被应用到越来越多的任务中，从识别照片中的人脸到推荐电影，甚至开车。使机器学习如此有效的关键因素是大量标记数据的可用性。很长时间以来，人们一直在为谷歌、脸书和网飞的数据添加标签，方法是在图片中标记朋友，在登录前在颗粒图像中识别停止标志，以及为电影和电视节目评级。

然而，由于该领域缺乏有标签的数据，已经证明在材料科学中使用机器学习更加困难，机器学习试图为未来技术设计和制造材料。在材料科学中，关于成功创造的材料的数据被视为有标签的数据，但是关于大量假设但尚未合成的材料的信息没有标签。因此，创造新材料对科学家来说可能有点像猜测，但宾夕法尼亚大学最近的一项研究侧重于通过创新的机器学习技术更清晰地合成新材料。

爱德华多d格兰特总统的杰出教授维韦克谢诺伊(Vivek Shenoy)任命材料科学与工程、机械工程与应用力学、生物工程负责这项研究，由谢诺伊集团和国防科学研究生内森弗雷(Nathan Frey)领导。工程学研究生。德雷克塞尔大学和马亚圭斯波多黎各大学的合作者也为这项研究做出了贡献。

Shenoy和Frey开始将机器学习应用于材料科学，特别是专注于创建二维(2D)材料或只有一层或几层原子厚度的材料。目前，2D材料的大部分研究集中于证明2D材料的可能合成及其保持独特和有用性质的潜力。理论上已经提出了许多有前途的2D材料，但事实证明只有少数材料可以合成。Shenoy和Frey的目标是区分合成材料和理论上可能但实际上不可能的虚幻材料。

弗雷说：“问题是，一般来说，我们不知道这些材料可以在实验室里制成什么。“这有点像拥有一个真正的原创画廊。我们想买更多，但我们需要能够辨别假的原件。这是一个难题，但如果我们充分研究原件，找出使它们独一无二的原因，我们就能学会识别这些赝品。”

对材料科学家来说，区分能合成杰作的2D材料和“假”材料是一项艰巨的挑战。实验材料合成是一个昂贵且耗时的过程，充满了不可预测性。然而，科学家们也缺乏坚实的标记数据或关于合成材料的已知数据，以及基于此的典型机器学习方法。Shenoy和Frey通过使用不同的机器学习技术解决了这个问题，他们专注于分析2D材料的成功例子——我们已经拥有的杰作。

弗雷说：“我们应用了一种称为‘主动和无标记’的机器学习方法，来解决哪些材料应该是最容易在实验室合成的问题。“我们的‘积极’数据是已经成功生产的材料。我们通过使用现有的材料，想象用元素周期表中相似的元素来转换组成它们的原子，从而发明新的材料。所有这些理论材料都是“无标签的”，因为我们不知道它们是否可以制造。”

通过这种方式，该团队使用有限的可用数据来预测特定2D材料合成的潜在成功或失败。如果科学家能够继续以这种方式应用机器学习，他们就可以专注于制造有可能成功合成并集成到未来技术中的材料，避免在可能失败的材料上花费时间和资源。

在这项研究中，Shenoy和Frey专注于一系列称为MAX stage的层状材料，这些材料可以通过化学变化产生一种称为MXenes的2D材料，这对于实际应用尤为重要。

“这些MXenes的2D特性赋予了它们各种有趣的特性，这在传统的3D材料中是看不到的。尤其是MXenes有着广泛的应用，从能量存储到水净化和生物传感，”Frey说。

该研究团队的“活跃且未标记”的机器学习模型预测了18种MXene化合物，它们是实验合成的良好候选化合物。一些潜在的化合物含有在MXenes中从未见过的元素，这扩大了2D材料的清单，这些材料是未来工业应用的有吸引力的选择。

虽然，在这一点上，研究只表明一些二维材料可以成功创造，但弗雷一直在思考这些材料一旦合成，将如何成为即将到来的技术进步的关键组成部分。

弗雷说：“这些材料可以用于下一代电池技术，或者作为信息处理平台的构建模块，超过目前可用的计算机。

版权说明： 本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

标签：