Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel

要約

機械学習とハイスループットの実験により、組成の柔軟性を活用することにより、混合金属酸化物触媒の発見が大幅に加速されました。
ただし、固体材料の確立された合成ルートの欠如は、無機化学における重要な課題のままです。
したがって、解釈可能な機械学習モデルは、位相形成を管理する重要な要因に関する洞察を提供するため、不可欠です。
ここでは、単相Fe $ _2 $（ZNCO）o $ _4 $の形成に焦点を当て、ハイスループットの共沈着法を介して合成されます。
カーネル分類モデルとグローバルSHAP分析の新しいアプリケーションを組み合わせて、各機能の貢献を解釈することにより、単相合成能力にとって最も重要な実験機能を特定しました。
グローバルなSHAP分析により、単相スピネル形成への前駆体および沈殿剤の寄与が確立された結晶成長理論と密接に整合することが明らかになりました。
これらの結果は、精製合成プロトコルにおける解釈可能な機械学習の重要性を強調するだけでなく、無機合成におけるデータに基づいた実験設計のフレームワークを確立します。

要約(オリジナル)

Machine learning and high-throughput experimentation have greatly accelerated the discovery of mixed metal oxide catalysts by leveraging their compositional flexibility. However, the lack of established synthesis routes for solid-state materials remains a significant challenge in inorganic chemistry. An interpretable machine learning model is therefore essential, as it provides insights into the key factors governing phase formation. Here, we focus on the formation of single-phase Fe$_2$(ZnCo)O$_4$, synthesized via a high-throughput co-precipitation method. We combined a kernel classification model with a novel application of global SHAP analysis to pinpoint the experimental features most critical to single phase synthesizability by interpreting the contributions of each feature. Global SHAP analysis reveals that precursor and precipitating agent contributions to single-phase spinel formation align closely with established crystal growth theories. These results not only underscore the importance of interpretable machine learning in refining synthesis protocols but also establish a framework for data-informed experimental design in inorganic synthesis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google