利用机器学习辅助的高通量筛选技术，研究类似超晶格结构的O-PCM（有机相变材料）薄膜

《npj Computational Materials》：Machine learning-assisted high-throughput screening of superlattice-like O-PCM thin films

　　

摘要

具有超晶格结构的非挥发性光学相变材料（O-PCMs-SLL）在光子集成方面具有巨大的应用潜力，这些材料具有低光学损耗和优异的热稳定性。然而，O-PCMs-SLL的优化过程因设计空间的高维性而变得复杂，其中关键的结构参数（如调制周期、层厚度、沉积顺序）之间存在复杂的相互依赖关系。在这里，我们通过将机器学习与高通量方法相结合，建立了一个数据驱动的框架，用于快速筛选O-PCMs-SLL材料，有效地应对庞大的组合设计空间。该框架基于经过预训练的模型，该模型利用适合AI处理的高通量实验数据来解析Ge-Sb-X（Te, Sn, Se）SLL薄膜的组成-结构-工艺-光学性能之间的关系。通过结合迁移学习和主动学习的双阶段学习架构，该预训练模型能够适应性地扩展到新的应用领域，从而应对SLL结构纳米尺度周期性的变化。这一框架使得在外推空间中进行精确优化所需的数据量减少了85%，与传统试错方法相比，发现效率提高了274倍。我们的工作突显了在基于高通量实验数据驱动的材料发现过程中，人工智能指导的关键作用，并为加速探索复杂多组分功能材料提供了一个可推广的蓝图。

此图像的替代文本可能是由AI生成的。