We use ab initio global structural prediction, and specifically the minima hopping method, to explore the periodic table in search of novel oxide phases. In total, we study 183 different compositions of the form MXO2, where M=(Cu, Ag, Au) and X is an element of the periodic table. This set includes the well-known Cu delafossite compounds that are, up to now, the best p-type transparent conductive oxides known to mankind. Our calculations discover 81 stable compositions, out of which only 36 are included in available databases. Some of these new phases are potentially good candidates for transparent electrodes. These results demonstrate, on one hand, how incomplete is still our knowledge of the phase-space of stable ternary materials. On the other hand, we show that structural prediction combined with high-throughput approaches is a powerful tool to extend that knowledge, paving the way for the experimental discovery of new materials on a large scale.
High-dielectric constant and wide band gap inverse silver oxide phases of the ordered ternary alloys of SiO$_{2}$, GeO$_{2}$ and SnO$_{2}$
高介电常数和宽带隙氧化物具有重要的技术应用。具有与硅的晶格常数相容性的结晶氧化物多晶型物是特别期望的。最近报道的一种候选物是SiO $_2$的反氧化银相。第一性原理研究了该体系及其等价物GeO $_{2}$、SnO $_{2}$以及它们的三元合金。在密度泛函理论的框架下，采用广义梯度近似和局域密度近似（LDA）计算了它们的结构性质、弹性常数和电子能带结构.为了检查这些材料的稳定性，声子色散曲线计算表明，GeO $_{2}$和SnO $_{2}$具有负声子分支，而它们的三元合金Si $_{0.5}$ Ge $_{0.5}$ O $_{2}$，Si $_{0.5}$ Sn $_{0.5}$ O $_{2}$和Ge $_{0.5}$ Sn $_{0.5}$ O $_{2}$在LDA内都是稳定的，具有10至20之间的介电常数。此外，Si $_{0.5}$ Ge $_{0.5}$ O $_{2}$的晶格常数实际上与Si（100）表面相同。计算了稳定材料的$GW$带隙，其恢复了宽带隙值以及它们的高介电常数。
Ternary Wide Band Gap Oxides for High-Power Electronics Identified Computationally
随着电网变得更加符合可再生能源标准，将需要能够承受高功率，高电压和高温的新型半导体。宽带隙（WBG）半导体倾向于表现出大的击穿场，从而允许高工作电压。目前开发的用于电力电子器件的WBG材料是昂贵的（GAN），难以合成为高质量单晶（SiC）和规模（金刚石，BN），具有低热导率（$β$ O $_3$），或者不能被适当掺杂（AlN）。我们使用第一性原理计算和现有的输运模型在1,340种已知的金属氧化物中进行新型半导体的计算搜索。我们计算巴利加品质因数（BFOM）和晶格热导率（$κ_L$），以确定n型电力电子的最佳候选人。我们发现了40种主要是三元氧化物，其具有比$β$更高的$κ_L$-Ga $_2$ O $_3$和比SiC和GAN更高的n型BFOM。其中，出现了几种材料类别，包括2-2-7化学计量的钙钛矿和辉石，II-IV尖晶石和方解石型硼酸盐。在这些类别中，我们提出In $_2$ Ge $_2$ O $_7$、Mg $_2$ GeO $_4$和InBO $_3$，因为根据我们的初步评估，它们对于n型掺杂是最有利的，并且可以生长为单晶或薄膜异质结构。这些材料可以帮助推进未来电网的电力电子设备。
Synthesis and Characterization of the Ternary Nitride Semiconductor Zn$_2$VN$_3$: Theoretical Prediction, Combinatorial Screening and Epitaxial Stabilization
A combinatorial guide to phase formation and surface passivation of tungsten titanium oxide prepared by thermal oxidation
TiO $_2$和WO $_3$是地球上最重要的两种电子材料，在无数工业中有着广泛的应用。最近，WO $_3$和TiO $_2$的合金已经被研究，导致从光电化学水分解到电致变色智能窗的各种应用的关键性能指标的改进。这些积极的报道和三元W-Ti-O相图的复杂性激发了对该相空间的全面实验筛选。使用组合热氧化的固溶体W $_{1-x}$ Ti $_{x}$的前体结合体和表面分析映射，我们调查的氧化物相的形成和表面钝化的钨钛氧化物在整个组成范围从纯WO $_3$到TiO $_2$。该系统显示出显着的结构转变，从单斜的立方到四方对称的Ti浓度的增加。此外，对于超过55原子%的前体Ti浓度，观察到强烈的Ti表面富集，导致形成保护性金红石结构的TiO $_2$表面层。尽管结构转变，氧化物合金的光学性质在很大程度上保持不变，证明W $_{1-x}$ Ti $_{x}$ O $_{n}$中的多个功能性质的独立控制。本研究的结果为W $_{1-x}$ Ti $_{x}$ O $_{n}$在电子和能源应用中的未来发展提供了有价值的指导方针，也为钛基合金的表面功能化和增材制造提供了新的工程方法。
Automated Phase Mapping with AgileFD and its Application to Light Absorber Discovery in the V-Mn-Nb Oxide System
快速构建相图是组合材料科学的核心原则，加速材料发现的努力往往受到解释组合X射线衍射数据集的挑战的阻碍，我们通过开发AgileFD来解决这个问题，AgileFD是一种人工智能算法，可以从X射线衍射图案的组合库中快速绘制相位图。AgileFD通过卷积非负矩阵分解的新扩展对基于合金的峰位移进行建模，这不仅改善了组成相的识别，而且还将其浓度和晶格参数映射为组成的函数。通过将Gibbs相位规则引入算法，在无监督操作的情况下得到有物理意义的相位图，并通过注入系统的专家知识得到更精细的解。该算法是证明通过调查的V-Mn-Nb氧化物系统，其中分解的8个氧化物相，包括两个大量的合金化，提供了第一个相图为这个伪三元系统。该相图能够解释高通量带隙数据，从而发现新的太阳光吸收剂和基于合金的MnV 2 O 6直接允许带隙能量的调谐。AgileFD算法的开源系列可以在广泛的高通量工作流程中实施，以加速材料发现。
Computationally-driven, high throughput identification of CaTe and Li$_\textrm{3}$Sb as promising candidates for high mobility $p$-type transparent conducting materials
Identification of high-reliability regions of machine learning predictions in materials science using transparent conducting oxides and perovskites as examples
Optical Identification of Materials Transformations in Oxide Thin Films
组合研究的高通量实验的最新进展加速了在广泛的组合物和合成条件下材料的发现和分析。然而，许多更强大的表征方法受到速度、成本、可用性和/或分辨率的限制。为了有效地利用这些方法，有价值的开发方法，用于确定关键的组成和条件，作为先验知识，后续表征与高精度技术，如微米级同步加速器的X射线衍射（XRD）。在这里，我们演示了使用光学显微镜和反射光谱，以确定可能的相变边界的薄膜库。这些方法用于描绘氧化物材料的横向梯度激光尖峰退火（lg-LSA）之后可能的亚稳相边界。然后将边界集与使用高分辨率XRD获得的结构转变的确定性测定进行比较。我们表明，光学方法检测到超过95%的组成梯度的La-Mn-O库和Ga $_2$ O $_3$样品中的结构转变，都受到广泛的一组lg-LSA退火。我们的研究结果提供了定量支持的价值光学检测转换作为先验数据，以指导后续的结构表征，最终加速和提高$μ$ m分辨率XRD实验的有效实施。
Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel
University of Toronto（多伦多大学）；Acceleration Consortium（加速联盟）；National Research Council Canada（加拿大国家研究委员会）；Clean Energy Innovation Research Center（清洁能源创新研究中心）
Identification of materials with strong magneto-structural coupling using computational high-throughput screening
磁致伸缩、磁热效应和磁电效应等重要现象都是由磁自由度和结构自由度的耦合引起的，或者可以通过磁自由度和结构自由度的耦合来增强。自旋和晶格的耦合也影响磁性材料中的输运和结构性质，特别是在相变附近。在本文中，我们提出了一种方法来筛选材料的强磁结构耦合通过评估的局部磁位形的原子力的影响，使用密度泛函理论（DFT）。我们采用了无序的本地矩的方法在一个超晶胞配方，以探测不同的磁局部配置和他们的力量，并进行了高通量的搜索晶体学开放数据库中的二元和三元化合物。我们确定了一个列表中的材料具有较强的自旋-晶格耦合，其中几个已经知道显示磁晶格耦合现象，如Fe 3 O 4和CrN。其他如Mn_2CrO_4和CaFe_7O_（11）的研究较少，尚未在实验和应用中显示出它们的潜力。
Data-Driven Prediction of NaCl-Type Entropy-Stabilized Oxide Compositions from First-Principles and Supervised Learning
Univ Paris Est Creteil, CNRS, ICMPE（巴黎东克雷泰伊大学，法国国家科学研究中心，分子化学与材料研究所）；Université Paris-Saclay, CNRS, Institut de chimie moléculaire et des matériaux d’Orsay（巴黎萨克雷大学，法国国家科学研究中心，奥赛分子化学与材料研究所）
LLM-guided phase diagram construction through high-throughput experimentation
Center for Basic Research on Materials（材料基础研究中心）；National Institute for Materials Science（国家材料科学研究所）；Graduate School of Frontier Sciences（前沿科学研究生院）；The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project（RIKEN高级智能项目中心）；Core Facility Center（核心设施中心）；Tohoku University（东北大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔INP）；SIMaP；Center for Green Research on Energy and Environmental Materials（能源与环境材料绿色研究中心）；Nara Institute of Science and Technology（奈良科学技术大学）；Research Center for Structural Materials（结构材料研究中心）；Graduate School of Medical Life Science（医学生命科学研究生院）；Tokyo Institute of Technology（东京技术大学）
Automating the analysis of micron-scale synchrotron diffraction data on inhomogeneous polycrystalline samples: a solid oxide electrolysis cell case study
Stanford Synchrotron Radiation Lightsource, SLAC National Accelerator Laboratory（斯坦福同步辐射光源，SLAC国家加速器实验室）；Materials, Chemical, and Computational Sciences Directorate, National Laboratory of the Rockies（落基山国家实验室材料、化学与计算科学部）；Department of Materials Science and Engineering & Department of Chemistry, University of Pennsylvania（宾夕法尼亚大学材料科学与工程系与化学系）
Autonomous Materials Exploration by Integrating Automated Phase Identification and AI-Assisted Human Reasoning
Department of Materials Science and Engineering, Cornell University, Ithaca, NY 14853, United States（材料科学与工程系，康奈尔大学，Ithaca, NY 14853, United States）；Department of Computer Science, Cornell University, Ithaca, NY 14853, United States（计算机科学系，康奈尔大学，Ithaca, NY 14853, United States）；Joint Center for Artificial Photosynthesis, California Institute of Technology, Pasadena, CA 91125（人工光合作研究中心，加州理工学院，Pasadena, CA 91125）；Cornell High Energy Synchrotron Source, Cornell University, Ithaca, NY 14850, United States（康奈尔高能同步辐射源，康奈尔大学，Ithaca, NY 14850, United States）
