NIMS 通过与东京大学、米乐m6官方网站、东北大学和京都工业大学的联合研究，开发并出版了用于寻找新物质的“元素反应图”。利用机器学习，我们提出了一张地图，显示了实验室中可用的 80 种元素的三种或更少三种类型的总共 85,320 种组合中的 3,000 多种有可能形成新物质的元素组合。这项研究的结果将于 2 月 21 日发布材料化学发表在杂志上。
传统问题
无机物质是通过多种元素反应合成的。如果我们成功地合成了一种以前从未合成过的新物质，并且该物质具有特殊的物理性质或有用的功能，那么它可能会成为可以作为新材料投入实际使用的“宝藏”。然而，在晶体结构数据库中没有的组合中，有很多过去已经尝试过但根本没有发生反应，因此有必要提前预测合成可能性，以高效寻找新物质。
成就点
这次，我们开发了 80 80 x 80 网格状“元素反应图”，显示最多三个元素组形成材料的可能性，以及已知物质是否存在。该图是利用机器学习对 30,000 多种无机化合物的晶体结构数据创建的。它作为交互式网络系统发布，任何人都可以访问它。
当我们使用包含复杂晶体和固溶体的实验晶体结构数据库验证图谱的预测结果时，我们发现具有高反应性分数（095 或更高）的组合找到现有化合物的可能性是具有低反应性（低于 005）的组合的 17 倍，这证明了反应性分数的有效性。我们还发现了3000多对显示出高反应性分数但未包含在实验数据库中的元素，我们可以期待它们成为新材料的“瑰宝”。事实上，利用这张图，我们已经成功发现了数十种新物质，包括磁性斯格明子和作为热电材料而备受关注的B20结构合金Co(Al,Ge)。
图。通过基于元素反应图的新物质搜索实验发现了两种新物质
未来展望
通过参考这张元素反应图谱，预计会发现各种新物质，并从中发现有用的新材料。此外，该元素反应性图还可用于确定难以反应的元素组合，因此预计可用于寻找需要惰性的容器、电极等的候选物。
其他
这项研究是由NIMS材料研究中心材料设计系进行的。桂由香里，材料模型组首席研究员（兼任筑波大学副教授、日本理化学研究所客座研究员）、东京大学前沿科学研究生院稻田由纪（2024年3月博士课程结束）、东北大学产业技术综合研究所金属材料首席研究员藤冈雅也。这项研究是由该研究所副教授 Haruhiko Morito 和京都工业大学材料科学系教授 Toru Sukawara 组成的研究小组进行的，属于日本科学技术振兴机构 (JST) CREST“基于大规模探索新晶体的创新功能材料的开发”(JPMJCR19J1) 的一部分。
此研究结果将于 2025 年 2 月 21 日发布材料化学（网络版），并于3月25日作为本期封面刊登在第1卷。 37，第 6 期，第 2097-2105 页。
当元素周期表上的多种元素一起加热并发生反应时复合1形成，其中大部分是某种形式的规则排列的原子晶体结构2如果从实验室可以处理的大约 80 种类型中选择两种或三种元素，则可能有 85,320 种组合，并且还有许多组合尚未尝试过。其中一些尚未被发现新物质3或传统功能材料4新材料5可能正在睡觉。
然而，旨在发现新材料的研究面临以下挑战：
在这种情况下，如果我们能够利用机器学习来识别那些很有可能发现新物质的未报道元素的组合，那么高效地寻找新物质将成为可能。
这次，由 NIMS 材料科学中心首席研究员 Yukari Katsura 领导的联合研究小组开发了“元素反应性图”。该图谱将80种元素的二级和三级元素的组合排列在网格中，直观地显示已知化合物的存在或不存在以及未知化合物存在的可能性。该地图在互联网上公开提供，将鼠标悬停在每个网格上可以显示详细信息。
网址：https://ermstarrydataorg/
在图 1 所示的示例中：
- 从多个晶体结构数据库中提取已知化合物存在的元素组合，并以红色和符号显示
- 不存在化合物的元素组合通过机器学习进行预测，并以蓝色强度表示（蓝色越深，发现新物质的可能性越高）
此外，以黄色显示的区域表示已报告存在物质的组合，但机器学习的预测值较低。其中许多物质在数据库中被归类为实验数据质量低下。
图 1：元素反应图 (https://ermstarrydataorg/) 的一部分。鼠标置于Ge、Co、Al三元系网格上的状态。该示例显示了图的一部分，其中第一元素是锗(Ge)，水平方向是第二元素，垂直方向是第三元素。尽管深蓝色区域之一的钴 (Co) 和铝 (Al) 的组合并未在数据库中注册，但机器学习预测其反应性分数高达 09866，并且实验成功合成了多种新物质。
元素反应图的主要用途是寻找新材料。由于可以立即识别尚未报道且极有可能形成物质的元素组合，因此可以进行有效的实验计划。尽管该技术仅预测物质的反应性，并不能预测详细的晶体结构，但根据意想不到的结构发现具有意想不到的物理性质的物质并不罕见。这张地图并不是显示“可以获得什么样的宝藏”，而是显示“哪里可能发现宝藏”，对于想要做出新发现的研究人员来说，这将是一个有价值的工具。
此外，该图可用于通过关注淡蓝色区域来预测难以反应的元素组，并且对于开发合成容器和电极材料也很有用。
此外，这种类型的地图显示还可用于可视化机器学习对元素反应性以外的各种物理性质的预测。如果我们可以为两个或三个元素的组合准备二进制训练数据，例如属性是否达到实用水平，我们可以用蓝色表示那些可能满足条件的元素，即使它们尚未被调查。如果训练数据的质量和数量提高，预测的可靠性将会提高，预计这将有助于加速材料科学广泛领域中新材料的寻找。