Active learning path-dependent properties using a cloud-based materials acceleration platform

Dan Guevarra

doi:10.1039/D5DD00325C

Active learning path-dependent properties using a cloud-based materials acceleration platform

2025-11-04

0

OA

AI

DOI：10.1039/D5DD00325C

原文链接

查看原文

摘要

En 中文

固态材料是许多现代技术的核心，在这些技术中，特定材料可能暴露于多种环境中。材料性能通常随环境序列以不可逆方式变化；导致实验观测值具有典型的路径依赖性。尽管顺序学习技术已被有效应用于加速材料状态性能的学习；但它们通常在所有实验中使用一致的环境路径。为提升此类技术以在路径依赖性能的实验研究中做出最优决策；我们引入了一种迭代期望信息增益采集函数，该函数优化整个实验轨迹。该方法在一个基于云的加速材料平台架构中实现，该架构利用事件驱动的有状态代理，并结合远程HELAO（层次化实验实验室自动化与编排）实例以及AI科学管理器。该平台的效能通过一个案例研究得到验证，该研究优化了多步光谱电化学实验，以识别(Co–Ni–Sb)Oz金属氧化物的光学稳定电位窗口。该系统成功集成了AI驱动的实验设计、远程实验室自动化以及基于云的数据基础设施，验证了该平台在材料发现中管理复杂、自适应、路径依赖工作流程的能力。

Active learning path-dependent properties using a cloud-based materials acceleration platform

摘要

AI总结

期刊

机构

引用论文