机器学习（ML）已被科学家证明可以有效且准确地计算二元和三元氧化物表面的基本电子特性。他们基于机器学习的模型具有应用于其他化合物和属性的潜力。这项研究可以帮助筛选材料的表面特性和开发功能材料。
研究成果可以帮助评估材料的表面特征和创造功能材料。为了创造具有更好特性的材料，彻底检查其原子和电子结构至关重要。离子化势（IP）和电子亲和力（EA）等参数为电子带特性提供有价值的信息。半导体、绝缘体和电介质的表面配置至关重要。在这些非金属材料中确定IP和EA的确切值可以帮助确定它们在光敏和光电设备的功能表面和接口中的适用性。
此外，IP和EA的值受到表面结构的强烈影响，这增加了其量化的复杂性。传统的IP和EA计算方法涉及使用精确的第一性原理计算，分别量化体相和表面系统。这个耗时的过程妨碍了对IP和EA的准确量化。许多表面需要高效的计算方法进行分析。
为了应对量化非金属固体的IP和EA所涉及的各种挑战，东京工业大学（Tokyo Tech）的一组研究人员在大场文康教授的带领下，将研究重点转向机器学习（ML）。他们的研究已发表于《美国化学学会志》。
大场教授解释了他们当前研究的原因，表示：“近年来，机器学习在材料科学研究中获得了显著关注。虚拟筛选材料的能力已成为一个关键的研究领域。”使用机器学习技术是发现具有卓越特性的新品材料的有效方法。此外，利用精确的理论计算训练庞大数据集的能力能够准确预测重要表面特征及其实际后果。”
科学家们利用人工神经网络创建了回归模型，将原子位置的平滑重叠（SOAPs）作为数值输入数据。通过利用体晶体结构和表面终止面的数据，他们的模型有效且准确地预测了二元氧化物表面的IP和EA。
此外，基于机器学习的预测模型具有“迁移学习”的能力，这意味着为特定目的创建的模型可以调整以包含新的数据集并重新用于其他任务。研究人员通过创建“可学习”的SOAPs将多种阳离子的影响整合到他们的模型中，并使用迁移学习预测三元氧化物的IP和EA。
大场教授的结论强调：“我们的模型不仅限于预测氧化物的表面特性，还可以应用于研究其他化合物及其特性。”
