研究人員利用墨水印表機和機器學習技術，快速發現有用的新金屬氧化物

Google與加州理工學院合作，使用新方法合成和表徵（Characterization）複雜結晶的金屬氧化物，結合機器學習技術，系統性地搜尋未知但有用的材料。

客製化的印表機能列印出中不同金屬比例的樣本，目前已經可以生成超過35萬種不同的成分，而研究人員利用新開發的技術，在這些成分中，發現一些有趣的特性，像是鈷、鉭和錫的組合物，在強酸電解質中，具有可調透明度、催化活性和穩定性等特性，可被用於再生能源應用。

研究人員提到，材料科學有大約100種令人感興趣的特性，但是在傳統研究中，科學家僅能一次考慮材料中的一種或是少數幾種特性，因此需要對相同的材料，進行多次的評估。

而機器學習已經普遍地被用於這些評估工作中，但這些模型具有專門性，無法用來解決預測的普遍性問題，因此研究人員也並非想要拿機器學習，來找到具有特定屬性的材料，而是想要應用機器學習找到一系列不具有特定屬性的材料。這個策略需要藉由結合高通量材料實驗，和物理資料科學工作流程。

這個策略的挑戰之一，便是需要面對龐大的結金金屬氧化物搜尋空間，數種金屬就可能產生數萬種的可能性，雖然可能性很多，但卻只有一小部分的組合物，會形成晶體結構，大部分只是現有結構的組合。

即便現有結構組合對於部分研究可能有用，但該研究的目標是要找到單一結構的組成，研究人員不直接測量新材料的晶體結構，而是使用高通量實驗，以機器學習推理發現新結構。

研究人員不使用傳統的氣相沈積方法來合成金屬薄膜，而是使用列印技術，透過將金屬硝酸鹽或是金屬氯化物，溶解到墨水溶液中，列印出各種金屬元素。

藉由在玻璃板上列印出一系列的線條，並根據實驗設計，混合不同元素列印出線段，如此便能在每塊玻璃上生成數千種獨特的組合。接著烘烤這些板子來氧化金屬，即便每種組合物列印10個副本，研究人員仍然能以比傳統氣相沈積技術快100倍的速度，生成組合物。 

由於樣品製造速度提升，也就需要更快的表徵技術，來對物質快速進行分析、測試或鑑定。研究人員打造了一個客製化顯微鏡，能夠從紫外線385 nm、可見光到紅外線850 nm等9個離散波長的下拍照，利用這些資料計算每個樣本在每個波長下的光吸收技術，並以光吸收和波長的關係，作為每種材料的識別指紋。

由於材料的結構決定了特性，因此當材料特性不尋常的改變了，就代表表面結構發生變化。研究團隊建立了376,752個不同的組成，並建構了兩種機器學習模型，根據金屬氧化物的結構和訊號的通透性，來發現有潛力的材料。

研究人員對108個3金屬氧化物系統進行組合掃描，在其中有51個表現出值得注意的行為，而這108個系統中，過去僅有1個經過實驗分析。研究團隊還對鈷、鉭和錫所組成的氧化物系統進行深入實驗，在高通量工作中，研究人員透過X光繞射，驗證一系列新固溶體（Solid Solution）的存在。

研究人員提到，在這個研究當中，他們以鈷、鉭和錫氧化物範例，示範使用高通量工作流程，對任何目標篩選材料的進階概念。