深度学习定向合成流体铁电材料

《Materials Horizons》：Deep learning directed synthesis of fluid ferroelectric materialsOpen Access

　　

研究人员提出了一种用于有机流体铁电体（organic fluid ferroelectrics）定向设计的数据到分子（data-to-molecule）深度学习工作流程，并通过机器学习生成的候选材料的合成与实验表征对其进行验证。流体铁电材料是一类具有可切换长程极性有序（switchable long-range polar order）的液晶，在超快电光技术、响应性软物质和下一代能源材料中具有应用前景。由于缺乏经过充分验证的设计规则，开发新型流体铁电材料仍具挑战性。研究人员整理了一个包含所有已知纵向极性液晶材料的综合数据集，并训练图神经网络（graph neural networks, GNNs）以预测铁电向列（ferroelectric nematic, N_F）转变温度。图变分自编码器（graph variational autoencoder）生成全新结构，通过集成分类器和回归器进行过滤，以识别具有预测N_F行为和可达转变温度的候选材料。与计算逆合成引擎和数字化化学品库存的整合，将设计空间缩小至可合成的候选清单。研究人员合成并表征了十一种机器学习选择的候选材料，其中一种分子表现出调制反铁电相。外推得到的N_F转变温度与模型预测进行比较，并用于扩充原始数据集。使用图神经网络和XGBoost模型的进一步迭代产生了第二组排序候选材料；化学合成通过实用的闭环工作流程获得了流体铁电材料。

深度学习驱动的软材料闭环设计：从数据到分子的流体铁电材料发现

分子材料的设计依赖于对化学结构与宏观性质之间复杂、多维关系的深入理解。化学空间极为广阔，依靠探索性合成来发现新材料进展缓慢，且容易在迭代中引入人类认知偏差。深度学习方法能够从大型分子数据集中提取结构-性质关系