这种高通量的制备方法未来有望与大数据或 AI 辅助材料设计相结合,建立一整套高通量的设计、制备到性质表征的研究新范式,对促进微观多元材料的可控制备、快速研发和应用转化具有重要的意义。
例如,基于材料尺寸、元素种类、热力学参数、晶格结构以及相应的物理化学性质等,通过宽范围内的大量实验数据集对 AI 程序进行培训,预测多元体系在纳米至原子尺度下的各种性质。
“AI 和实验是相辅相成、缺一不可的。目前,我们正在进行原始数据的飘飘摇摇积累,实验的数据集需要非常可靠,尤其是数据集要有一定的离散度,未来 AI 预测才会更准确。”陈鹏程说。
参考资料:
1.P. C. Chen, X. Liu, J. L. Hedrick, Z. Xie, S. Wang, Q. Y. Lin, M. C. Hersam, V. P. Dravid, C. A. Mirkin, Polyelemental Nanoparticle Libraries, Science2016, 352, 1565-1569. https://doi.org/10.1126/science.aaf8402
2.P. C. Chen, M. Liu, J. S. Du, B. Meckes, S. Wang, H. Lin,V. P. Dravid, C. Wolverton, C. A. Mirkin, Interface and Heterostructure Design in Polyelemental Nanoparticles, Science2019, 363, 959-964. https://doi.org/10.1126/science.aav4302
3.P. C. Chen, M. Gao, C. A. McCandler, C. Song, J. Jin, Y. Yang, A. L. Maulana, K. A. Persson, P. Yang, Complete miscibility of immiscible elements at the nanometre scale. Nature Nanotechnology2024, 19, 775–781. https://doi.org/10.1038/s41565-024-01626-0