機械学習を使って有用な金属酸化物を捜す(2/2)

AI

1.機械学習を使って有用な金属酸化物を捜す(2/2)まとめ

・少量の材料を素早く混ぜて蒸着させるためにインクジェットプリンターを利用した
・光吸収スペクトルの大変化は構造的変化を示していると仮説を立てMLモデルを構築
・376,752個の異なる組成物から51個の興味深い特性を持つ金属酸化物を発見した

2.有望な金属酸化物の発見

以下、ai.googleblog.comより「Finding Complex Metal Oxides for Technology Advancement」の意訳です。元記事は2021年10月7日、Lusann Yangさんによる投稿です。

アイキャッチ画像のクレジットはPhoto by Tengyart on Unsplash

合成

私たちの目標は、広い範囲の化学的空間をできるだけ早く探索することでした。物理蒸着(physical vapor deposition)などの伝統的な合成技術は高品質の薄膜を作ることができますが、私たちは、少量の材料を素早く混ぜて蒸着させるために最適化された既存の技術、すなわちインクジェットプリンターを利用することにしました。

硝酸金属や塩化金属をインクに溶かして、それぞれの金属元素を印刷できるようにしました。そして、ガラス板に一連の線を印刷しました。印刷に使用した元素の比率は、実験計画に基づいて線ごとに変化させ、1枚の板に何千ものユニークな組成物を生成できるようにしました。そのガラス板を何枚か重ねて乾燥させ、オーブンで焼いて金属を酸化させました。プレートの印刷、乾燥、焼き付けには固有のばらつきがあるため、各組成物を10枚ずつ印刷することにしました。この量の複製でも、従来の蒸着技術に比べて100倍の速さで新しい組成物を生成することができました。


改良したプロ仕様のインクジェットプリンタ


上:印刷して焼いた10×15cmのプレート
下:プレートの一部を拡大したもの。組成によって光学特性が異なるため、組成の変化が各線の色のグラデーションとして現れます。

特性評価

このような速度でサンプルを作成する場合、それに追従できる特性評価技術を見つけるのは困難です。特定の目的のために材料を設計する従来の方法では、各組み合わせの適切な特性を測定するために膨大な時間を必要としますが、ハイスループットの印刷方法に分析が追いつくためには、より高速な分析手法が必要でした。

そこで、紫外(385nm)から可視光、赤外(850nm)までの9つの波長で撮影可能な顕微鏡を独自に開発しました。この顕微鏡では、プロジェクト期間中に20TB以上の画像データを取得し、各波長における各サンプルの光吸収係数を算出しました。光吸収自体は太陽エネルギーの利用などに重要ですが、私たちの研究では、各材料のフィンガープリントとしての光吸収対波長に興味がありました。

分析

376,752個の異なる組成物を生成した後、どの組成物が実際に興味深いものなのかを知る必要がありました。私たちは、「物質の構造がその特性を決定する」ことから、ある物質の特性(ここでは光吸収スペクトル)が自明ではない形で変化した場合、それは構造的な変化を示しているのではないかと考えました。そこで、興味深い組成を特定するために、2つのMLモデルを構築しました。

金属酸化物の中で金属の組成が変化すると、できあがった物質の結晶構造も変化する可能性があります。

相(phase)と呼ばれる同じ構造に結晶化する組成をマップしたものが「相図(phase diagram)」です。

1つ目のモデルである「相図」モデルは、熱力学的平衡を前提とした物理学的なモデルであり、共存できる相の数に制限があります。結晶相の組み合わせの光学特性は、各結晶相の比率に応じて線形に変化すると仮定すると、このモデルでは、光学吸収スペクトルに最もよく適合する相のセットが生成されます。相図モデルでは,熱力学的に許容される相図の空間を包括的に探索しました。

2番目のモデルは、3-金属酸化物の吸収スペクトルを特定することにより、「創発的特性」を特定しようとしています。これは、1-金属または2-金属酸化物信号の線形結合では説明できません。


金属の鉄(Fe)、スズ(Sn)、イットリウム(Y)の相対的な割合が異なる化合物の相分析
左:さまざまな波長での吸収係数を示すパネル
a) 375 nm、b) 530 nm、c) 660 nm、d) 850 nm
右:吸収に基づいて、相図モデルは、化合物の相対組成が変化する境界を特定します。この境界は異なる光学特性の特定につながるため、潜在的に興味深い動作をする組成物を見つける事ができます。パネルe)、f)、g)では、赤い点が候補相であり、青い線が交わる頂点は興味深い相の振る舞いを示しています。 パネルh)は、創発的特性モデルを示しています。ここでは、組成は、低次の組成によって説明できる特性の対数尤度によって色付けされています(色が濃いほど、より興味深い化合物を表す可能性が高くなります)。

実験による検証

最終的に、108個の3-金属酸化物系を系統的に調べた結果、これらのうち51個が興味深い挙動を示すことがわかりました。この108個の系のうち、ICSDで実験結果が報告されているのは1個だけでした。

私たちは、未開拓酸化物の1つであるCo-Ta-Sn酸化物の詳細な実験研究を行いました。

ハイスループットワークフローを指針とし、X線回折による固溶体の新しいファミリーの発見を検証しました。

良く使われている技術(物理蒸着)を使用して新しい材料を正常に再合成し、最大30%のCoを含む組成物の驚くほど高い透明性を検証しました。

そして、水酸化(水から水素燃料合成する際の重要なステップ)に対する電極触媒活性を実証するフォローアップ電気化学試験を実施しました。

水の酸化に対する触媒試験は、私達のハイスループットワークフローによる光学的スクリーニングよりもはるかに費用がかかります。

光学的性質と触媒的性質の間に既知の関係はありませんが、 私達は光学特性の分析を使用して、触媒テスト用の少数の組成物を選択しました。この実験は、1つのハイスループットワークフローを使用して、実質的にすべてのターゲットテクノロジーの調査対象材料の範囲を狭めるという高レベルの概念を示しています。

結論

Co-Ta-Sn酸化物の例は、新しい材料をすばやく見つけることが、水素製造に不可欠な技術など、技術改善を開発する上で重要なステップであることを示しています。

この研究が材料コミュニティに刺激を与えることを願っています。

実験家のために、私たちはハイスループット技術を積極的に規模拡大することで創造性を刺激したいと思っています。

また、 数値解析家には、MLやその他のデータサイエンスモデルにより良い情報を提供するために、多くのネガティブな結果を伴う豊富なデータセットを提供したいと考えています。

謝辞

この複雑で長期にわたるプロジェクトのために、カリフォルニア工科大学でJohn GregoireとJoel Haberと一緒に仕事をできることは、喜びであり、特権でした。さらに、Zan Armstrong, Sam Yang, Kevin Kan, Lan Zhou, Matthias Richter, Chris Roat, Nick Wagner, Marc Coram, Marc Berndl, Pat Riley, そして Ted Baltzの貢献に感謝します。

3.機械学習を使って有用な金属酸化物を捜す(2/2)関連リンク

1)ai.googleblog.com
Finding Complex Metal Oxides for Technology Advancement

2)www.pnas.org
Discovery of complex oxides via automated experiments and data science

3)icsd.products.fiz-karlsruhe.de
ICSD – the world’s largest database for completely identified inorganic crystal structures

タイトルとURLをコピーしました