科学 使用涉及大量并行实验的高通量实验来快速绘制由不同数量的相同元素制成的材料的成分，结构和特性之间的关系。这有助于加速新材料的开发，但通常需要昂贵的设备。

　　

　　另 方面，高通量计算使用计算模型根据材料的电子密度来确定材料的性能，电子密度是电子占据 小的空间的概率的量度。它比物理实验更快，更便宜，但准确性低得多。

　　

　　中央研究实验室的材料信息学专 岩崎由马（Yuma Iwasaki）与日本同事 起，结合了两种高通量方法，同时兼顾了两者的优势，并将它们与机器学习相结合，以简化流程。

　　

　　岩崎说：“我们的方法有可能准确，快速地预测材料的性能，从而缩短各种材料的开发时间。”

　　

　　他们使用由铁，钴和镍制成的100纳米薄膜在蓝宝石衬底上铺展来测试他们的方法。这三种元素的各种可能组合沿胶片分布。这些“成分扩展样本”用于在 个样本中测试许多相似的材料。

　　

　　该团队 对样品进行了 种简单的高通量技术，称为组合X射线衍射。所得的X射线衍射曲线提供有关样品的晶体结构，化学成分和物理性质的详细信息。

　　

　　然后，团队使用机器学习将这三个元素的每种组合的数据分解为单独的X射线衍射曲线。高通量计算有助于定义每种组合的磁性能。 后，进行计算以减小实验数据与计算数据之间的差异。

　　

　　他们的方法使他们能够成功绘制出铁，钴和镍成分扩散的“克尔旋转”，代表了从磁化表面反射回来的光所发生的变化。该特性对于光子学和半导体器件中的各种应用很重要。

　　

　　研究人员说，他们的方法仍然可以改进，但是就目前而言，它可以绘制成分分布的磁矩，而无需诉诸更困难和昂贵的高通量实验。