Des chercheurs de l'Université de Houston ont mis au point un nouvel algorithme d'apprentissage automatique suffisamment efficace pour fonctionner sur un ordinateur personnel et prédire les propriétés de plus de 100, 000 composés à la recherche de ceux qui sont les plus susceptibles d'être des luminophores efficaces pour l'éclairage LED.

Ils ont ensuite synthétisé et testé l'un des composés prédits par ordinateur, le borate de sodium-baryum, et ont déterminé qu'il offrait une efficacité de 95 % et une stabilité thermique exceptionnelle.

Jakoah Brgoch, professeur assistant de chimie, et les membres de son laboratoire décrivent le travail d'un article publié le 22 octobre dans Communication Nature .

Les chercheurs ont utilisé l'apprentissage automatique pour analyser rapidement un grand nombre de composés à la recherche d'attributs clés, y compris la température de Debye et la compatibilité chimique. Brgoch a précédemment démontré que la température de Debye est corrélée à l'efficacité.

LED, ou diode électroluminescente, les ampoules à base fonctionnent en utilisant de petites quantités d'éléments de terres rares, généralement de l'europium ou du cérium, substitué dans un hôte en céramique ou en oxyde - l'interaction entre les deux matériaux détermine la performance. L'article s'est concentré sur la prédiction rapide des propriétés des matériaux hôtes.

Brgoch a déclaré que le projet offre des preuves solides de la valeur que l'apprentissage automatique peut apporter au développement de matériaux haute performance, un domaine traditionnellement guidé par des essais et des erreurs et des règles empiriques simples.

"Il nous indique où nous devons chercher et oriente nos efforts de synthèse, " il a dit.

En plus de Brgoch, les chercheurs sur le papier incluent Ya Zhuo et Aria Mansouri Tehrani, étudiants diplômés du laboratoire de Brgoch, ancien chercheur post-doctoral Anton O. Oliynyk et récent Ph.D. diplômé Anna C. Duke.

Brgoch collabore avec l'UH Data Science Institute et a utilisé les ressources informatiques du UH Center for Advanced Computing and Data Science pour des travaux antérieurs. L'algorithme utilisé pour ce travail, cependant, a été exécuté sur un ordinateur personnel.

Le projet a commencé avec une liste de 118, 287 composés phosphorés inorganiques possibles de la base de données de structure cristalline de Pearson ; l'algorithme a réduit cela à un peu plus de 2, 000. Encore 30 secondes et il avait produit une liste d'environ deux douzaines de matériaux prometteurs.

Ce processus aurait pris des semaines sans le bénéfice de l'apprentissage automatique, dit Brgoch.

Son laboratoire fait de l'apprentissage automatique et de la prédiction, ainsi que la synthèse, donc après avoir convenu que le sodium-baryum-borate recommandé par l'algorithme était un bon candidat, les chercheurs ont créé le composé.

Il s'est avéré stable, avec un rendement quantique ou une efficacité de 95 %, mais Brgoch a déclaré que la lumière produite était trop bleue pour être commercialement souhaitable.

Ce n'était pas décourageant, il a dit. « Maintenant, nous pouvons utiliser les outils d'apprentissage automatique pour trouver un matériau luminescent qui émet dans une longueur d'onde qui serait utile.

"Notre objectif est de rendre les ampoules LED non seulement plus efficaces, mais également d'améliorer la qualité de leurs couleurs, tout en réduisant les coûts."

Plus précisément, les chercheurs ont dit, ils ont démontré que l'apprentissage automatique peut accélérer considérablement le processus de découverte de nouveaux matériaux. Ce travail fait partie des efforts plus larges de son groupe de recherche pour utiliser l'apprentissage automatique et le calcul pour guider leur découverte de nouveaux matériaux ayant un potentiel de transformation.