海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
近年来，基于机器学习技术（如贝叶斯优化和人工神经网络）的材料信息学得到了快速发展，这也为加速材料的研究提供了崭新的机会。缺失数据是材料信息学在分析真实材料时遇到的普遍问题，由于缺失数据在各种材料数据库中普遍存在，如何处理缺失数据对加速材料的研发至关重要。缺失数据对优化材料生长条件也很关键，因为它是在生长参数空间中引起的，生长参数离最佳条件很远时将无法获得目标材料。一种可能的解决方案是限制生长参数的搜索空间，以排除实验失败而导致数据缺失。然而，这就不能保证目标材料的最佳生长参数存在于此参数空间内。因此，为了最大限度地提高高通量材料生长的效益，必须在广泛的参数范围内进行研究，同时补充由于实验失败而缺失的数据。
来自日本NTT公司基础研究所的Yuki K. Wakabayashi等，提出了一种处理材料生长中缺失数据的贝叶斯优化方法。作者通过将虚拟数据模拟和真实材料合成相结合，特别是通过机器学习辅助分子束外延生长铁磁流体SrRuO3薄膜，以此证明了该贝叶斯优化方法的有效性。作者通过在广泛三维参数空间中的开发和探索，仅通过运行35次MBE生长，便获得了具有 80.1 的高残余电阻率的拉伸应变 SrRuO3 薄膜，这是迄今为止报道的拉伸应变 SrRuO3 薄膜中最高的，同时也补充了缺失数据。该工作提出的方法为假设实验失败的多维参数范围内，提供了一种灵活的优化算法，这将提高高通量材料生长和自主材料生长的效率，同时在各种材料的生长中发挥重要作用。
该文近期发表于npj Computational Materials 8：180(2022)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Bayesian optimization with experimental failure for high-throughput materials growth
Yuki K. Wakabayashi, Takuma Otsuka, Yoshiharu Krockenberger, Hiroshi Sawada, Yoshitaka Taniyasu & Hideki Yamamoto
A crucial problem in achieving innovative high-throughput materials growth with machine learning, such as Bayesian optimization (BO), and automation techniques has been a lack of an appropriate way to handle missing data due to experimental failures. Here, we propose a BO algorithm that complements the missing data in optimizing materials growth parameters. The proposed method provides a flexible optimization algorithm that searches a wide multi-dimensional parameter space. We demonstrate the effectiveness of the method with simulated data as well as in its implementation for actual materials growth, namely machine-learning-assisted molecular beam epitaxy (ML-MBE) of SrRuO3, which is widely used as a metallic electrode in oxide electronics. Through the exploitation and exploration in a wide three-dimensional parameter space, while complementing the missing data, we attained tensile-strained SrRuO3 film with a high residual resistivity ratio of 80.1, the highest among tensile-strained SrRuO3 films ever reported, in only 35 MBE growth runs.
