北京白癜风价钱 http://m.39.net/pf/a_4785549.html
超过1万个成功案例，全职海归技术团队、正版商业软件版权！1.IF54.!Chem.Soc.Rev.综述:基于机器学习理解、发现和合成二维材料机器学习（ML）正成为研究二维（2D）材料的有效工具。将计算或实验材料数据作为输入，ML算法可预测尚未发现的2D材料的结构、电子、机械和化学特性。这种预测扩展了对如何合成2D材料并将其用于各种应用的研究，并大大减少了发现和理解2D材料的时间和成本。在此，美国阿贡国家实验室/芝加哥大学JunhongChen教授等人简要介绍了ML在2D材料领域的最新应用，特别聚焦于2D材料的理解、发现和合成，并提供了一个全面的描述和未来的展望。ML方法可通过4个步骤执行：数据准备、模型选择、训练和评估。从对有监督学习、无监督学习和半监督学习的各种ML算法的总结开始，作者描述了这些算法如何应用于2D材料的具体研究。作者讨论了各种回归和分类算法如何处理有/无标记的数据，并提取原本难以检测的有意义预测。这种由ML算法实现的预测有助于理解2D材料的力学、电学、化学性质及尚未发现的异质结构。接下来概述了使用ML制备2D材料的策略，ML可准确识别机械转移法制备的2D材料的层厚和尺寸并预测其合成概率。此外，还介绍了将ML用于基于2D材料在传感和催化方面应用的研究。图1.用于研究2D材料的常用ML算法为了应用ML，必须牢记几个挑战：i）很难获得足够大的数据量来使用ML来研究新发现的2D材料；ii）ML不仅需要大量而且还需要高质量的数据来产生准确的预测；iii）应使用实验或计算模拟仔细解释和验证来自ML的预测，因为此类预测并非来自对2D材料基础物理特性的理解。此外，利用ML可以开辟新的研究机会：（1）可使用ML和机器人技术设计用于生产一系列2D材料及其异质结构的自动化系统；（2）在传感应用中，ML可用于优化由2D材料制成的各种传感器；（3）可采用ML来设计一个一体化的系统，包括一系列材料的“发现-理解-筛选-综合-应用”。总之，这篇综述不仅可以启发新手研究人员，还可以指导有兴趣在研究中应用ML的成熟研究人员。图2.ML预测2DMXenes的可合成性Understanding,discovery,andsynthesisof2Dmaterialsenabledbymachinelearning,ChemicalSocietyReviews.DOI:10./D1CSK2.李凡星教授EES:机器学习+DFT高通量筛选用于化学循环的钙钛矿氧化物化学循环（CL）代表了一种通用的、新兴的可持续化学和能源转换策略。由于不同应用对热力学性能的要求不同，设计具有合适氧化还原性能的金属氧化物氧载体仍然是CL面临的最关键挑战之一。氧载体的设计空间已从负载单金属过渡金属氧化物显著扩展到各种混合氧化物家族，因此非常需要有效的计算工具来缩小材料设计空间。在此，美国北卡罗来纳州立大学李凡星教授等人使用SrxA1-xFeyB1-yO3-δ作为模型系统，开发并实验验证了基于DFT和机器学习（ML）的高通量模拟方法以合理调整钙钛矿氧化物的氧化还原氧化学势。基于DFT的高通量模型可有效识别阳离子掺杂剂类型和浓度，在跨越一个大的温度范围（~℃）内灵活调整混合氧化物的平衡氧分压（超过20个数量级，10-21~0.1atm）。作者模拟了含多达4种阳离子元素的种钙钛矿氧化物的氧化学势作为其氧空位浓度（δ）的函数，预测有种材料适用于化学循环空气分离（CLAS），85种材料适用于基于CL的CO2分解。作者验证了这些DFT预测的有效性，总共有43种预测的化合物在以前的报道中得到验证。此外，作者还制备并评估了25种额外的模型预测材料，其中23种氧载体表现出令人满意的性能，15种表现出优于大多数先前报道氧载体的性能。图1.高通量材料筛选流程图作者基于DFT的高通量筛选结果进一步开发ML模型，该模型显示出令人满意的准确性。使用ML模型研究了种含有5种阳离子元素的钙钛矿的氧化还原热力学，产生了约种有希望的氧载体候选物，该模型的预测通过DFT计算及对选定钙钛矿组合物的实验研究得到进一步验证。有趣的是，基于DFT和ML的高通量方法已经筛选了许多具有优异CL性能的氧载体组合物，例如与CLAS的基准氧载体相比，氧气容量增加了三倍。如果采用传统的氧载体设计方法，将不可能发现这些独特的化合物，如Sr0.K0.Fe0.75Co0.Ni0.O3-δ和Sr0.La0.5Sm0.Fe0.75Ti0.25O3-δ。因此，本研究中为合理设计高性能氧载体开辟了一种新的策略，除了CL应用之外，还可用于定制复杂氧化物的氧化还原特性。图2.高通量筛选结果和实验验证High-throughputoxygenchemicalpotentialengineeringofperovskiteoxidesforchemicalloopingapplications,EnergyEnvironmentalScience.DOI:10./D1EEH3.Science子刊:量子化学计算+机器学习从头创建肉眼可检测的荧光分子设计荧光分子需要考虑多种相互关联的分子特性，而不是与分子结构直接相关的特性，例如分子的光吸收。尽管荧光分子的研究历史悠久，但一直没有明确的指导方针来制备荧光分子。在此，日本理化学研究所（RIKEN）先进智能研究中心MasatoSumita,KojiTsuda等人使用从头分子生成器（DNMG，称为ChemTS）与量子化学计算（QC）相结合来开发目前无法轻易预测特性的荧光分子，这些分子在各个学科中都引起了广泛

转载请注明:http://www.aideyishus.com/lkjg/181.html