在材料發現工作中，合成能力遠遠超過從中提取有意義數據的能力。為了彌補這一差距，需要機器學習方法來減少識別所需材料的搜索空間。

在此，美國西北大學Chad A. Mirkin等人提出了一個機器學習驅動的閉環實驗過程，以指導具有目標結構特性的多元素納米材料的合成。通過利用來自八維化學空間（Au-Ag-Cu-Co-Ni-Pd-Sn-Pt）的數據作為輸入，使用過去的實驗結果學習 納米粒子（NP）的目標屬性與設計參數之間的關系且可以通過物理實驗和優化算法之間的迭代反饋循環來指導昂貴且勞動密集型的合成搜索。

圖1. 用于發現四元金屬雙相單界面NPs的閉環優化

研究表明，該閉環能夠預測合成新的復雜材料，包括有史以來最復雜的雙相NP，成功率遠高于隨機選擇（19次預測中正確預測了18次新材料，準確率約為95%），甚至在更復雜的情況下比敏銳的化學直覺成功率更高。

此外，該閉環設計可以擴展到更高通量的合成/實驗及更復雜的性質（如催化活性或穩定性），作者證明了SPBCL并行化以在單個實驗中合成數千/百萬種獨特材料的可行性。隨著開發新的表征技術以更高的吞吐量從納米材料的巨型庫中提取更多信息以及目標特性變得越來越復雜，使用這種機器學習輔助工具來指導搜索的優勢將呈指數級增長，這項研究有望在廣泛的應用和行業中改變材料發現范式。

圖2. 不同雙相納米顆粒中界面的STEM-EDS表征

Machine learning–accelerated design and synthesis of polyelemental heterostructures, Science Advances 2021. DOI: 10.1126/sciadv.abj5505