研究人员利用墨水打印机和机器学习技术，快速发现有用的新金属氧化物

Google与加州理工学院合作，使用新方法合成和表征（Characterization）复杂结晶的金属氧化物，结合机器学习技术，系统性地搜寻未知但有用的材料。

客制化的打印机能打印出中不同金属比例的样本，目前已经可以生成超过35万种不同的成分，而研究人员利用新开发的技术，在这些成分中，发现一些有趣的特性，像是钴、钽和锡的组合物，在强酸电解质中，具有可调透明度、催化活性和稳定性等特性，可被用于再生能源应用。

研究人员提到，材料科学有大约100种令人感兴趣的特性，但是在传统研究中，科学家仅能一次考虑材料中的一种或是少数几种特性，因此需要对相同的材料，进行多次的评估。

而机器学习已经普遍地被用于这些评估工作中，但这些模型具有专门性，无法用来解决预测的普遍性问题，因此研究人员也并非想要拿机器学习，来找到具有特定属性的材料，而是想要应用机器学习找到一系列不具有特定属性的材料。这个策略需要借由结合高通量材料实验，和物理资料科学工作流程。

这个策略的挑战之一，便是需要面对庞大的结金金属氧化物搜寻空间，数种金属就可能产生数万种的可能性，虽然可能性很多，但却只有一小部分的组合物，会形成晶体结构，大部分只是现有结构的组合。

即便现有结构组合对于部分研究可能有用，但该研究的目标是要找到单一结构的组成，研究人员不直接测量新材料的晶体结构，而是使用高通量实验，以机器学习推理发现新结构。

研究人员不使用传统的气相沉积方法来合成金属薄膜，而是使用打印技术，透过将金属硝酸盐或是金属氯化物，溶解到墨水溶液中，打印出各种金属元素。

借由在玻璃板上打印出一系列的线条，并根据实验设计，混合不同元素打印出线段，如此便能在每块玻璃上生成数千种独特的组合。接着烘烤这些板子来氧化金属，即便每种组合物打印10个副本，研究人员仍然能以比传统气相沉积技术快100倍的速度，生成组合物。 

由于样品制造速度提升，也就需要更快的表征技术，来对物质快速进行分析、测试或鉴定。研究人员打造了一个客制化显微镜，能够从紫外线385 nm、可见光到红外线850 nm等9个离散波长的下拍照，利用这些资料计算每个样本在每个波长下的光吸收技术，并以光吸收和波长的关系，作为每种材料的识别指纹。

由于材料的结构决定了特性，因此当材料特性不寻常的改变了，就代表表面结构发生变化。研究团队建立了376,752个不同的组成，并建构了两种机器学习模型，根据金属氧化物的结构和讯号的通透性，来发现有潜力的材料。

研究人员对108个3金属氧化物系统进行组合扫描，在其中有51个表现出值得注意的行为，而这108个系统中，过去仅有1个经过实验分析。研究团队还对钴、钽和锡所组成的氧化物系统进行深入实验，在高通量工作中，研究人员透过X光绕射，验证一系列新固溶体（Solid Solution）的存在。

研究人员提到，在这个研究当中，他们以钴、钽和锡氧化物范例，示范使用高通量工作流程，对任何目标筛选材料的进阶概念。