Pesquisadores da Universidade de Houston desenvolveram um novo algoritmo de aprendizado de máquina que é eficiente o suficiente para ser executado em um computador pessoal e prever as propriedades de mais de 100, 000 compostos em busca dos mais prováveis ​​fósforos eficientes para iluminação LED.

Eles então sintetizaram e testaram um dos compostos previstos computacionalmente - borato de bário-sódio - e determinaram que ele oferece 95 por cento de eficiência e excelente estabilidade térmica.

Jakoah Brgoch, professor assistente de química, e membros de seu laboratório descrevem o trabalho em um artigo publicado em 22 de outubro em Nature Communications .

Os pesquisadores usaram o aprendizado de máquina para verificar rapidamente um grande número de compostos em busca de atributos-chave, incluindo temperatura Debye e compatibilidade química. Brgoch demonstrou anteriormente que a temperatura de Debye está correlacionada com a eficiência.

CONDUZIU, ou diodo emissor de luz, lâmpadas baseadas em funcionam usando pequenas quantidades de elementos de terras raras, geralmente európio ou cério, substituído em um hospedeiro de cerâmica ou óxido - a interação entre os dois materiais determina o desempenho. O artigo se concentrou em prever rapidamente as propriedades dos materiais hospedeiros.

Brgoch disse que o projeto oferece forte evidência do valor que o aprendizado de máquina pode agregar ao desenvolvimento de materiais de alto desempenho, um campo tradicionalmente guiado por tentativa e erro e regras empíricas simples.

"Diz-nos para onde devemos olhar e direciona os nossos esforços sintéticos, " ele disse.

Além de Brgoch, pesquisadores do papel incluem Ya Zhuo e Aria Mansouri Tehrani, alunos de pós-graduação no laboratório de Brgoch, ex-pesquisador de pós-doutorado Anton O. Oliynyk e recente Ph.D. pós-graduação Anna C. Duke.

Brgoch colabora com o UH Data Science Institute e usou os recursos de computação do UH Center for Advanced Computing and Data Science para trabalhos anteriores. O algoritmo usado para este trabalho, Contudo, foi executado em um computador pessoal.

O projeto começou com uma lista de 118, 287 possíveis compostos de fósforo inorgânico do banco de dados de estrutura de cristal de Pearson; o algoritmo reduziu para pouco mais de 2, 000. Mais 30 segundos e produziu uma lista de cerca de duas dúzias de materiais promissores.

Esse processo levaria semanas sem o benefício do aprendizado de máquina, Brgoch disse.

Seu laboratório faz previsão e aprendizado de máquina, bem como síntese, então, depois de concordar que o algoritmo recomendado de sódio-bário-borato era um bom candidato, pesquisadores criaram o composto.

Provou ser estável, com um rendimento quântico ou eficiência de 95 por cento, mas Brgoch disse que a luz produzida era muito azul para ser comercialmente desejável.

Isso não foi desanimador, ele disse. "Agora podemos usar as ferramentas de aprendizado de máquina para encontrar um material luminescente que emita em um comprimento de onda que seria útil.

"Nosso objetivo é tornar as lâmpadas LED não apenas mais eficientes, mas também melhorar sua qualidade de cor, enquanto reduz o custo. "

Mais ao ponto, os pesquisadores disseram, eles demonstraram que o aprendizado de máquina pode acelerar drasticamente o processo de descoberta de novos materiais. Este trabalho faz parte dos esforços mais amplos de seu grupo de pesquisa para usar aprendizado de máquina e computação para orientar a descoberta de novos materiais com potencial transformador.