东京工业大学的科学家表明，机器学习 (ML) 能够准确、高效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可以扩展到其他化合物和特性。该研究结果发表在《美国化学学会杂志》上，可以帮助筛选材料的表面特性以及开发功能材料。

具有优异性能的新型材料的设计和开发需要对其原子和电子结构进行全面分析。

电子能量参数，例如电离势 (IP)(将电子从价带最大值移出所需的能量)和电子亲和力(EA)(电子附着到导带最小值时释放的能量)揭示了重要的信息有关半导体、绝缘体和电介质表面电子能带结构的信息。

对此类非金属材料中 IP 和 EA 的准确估计可以表明它们作为光敏设备和光电器件中的功能表面和界面的适用性。

此外，IP 和 EA 很大程度上取决于表面结构，这为其复杂的量化过程增加了另一个维度。 IP 和 EA 的传统计算涉及使用精确的第一原理计算，其中体系统和表面系统分别进行量化。这一耗时的过程无法量化许多表面的 IP 和 EA，因此需要使用计算效率高的方法。

为了解决影响非金属固体 IP 和 EA 定量的广泛问题，由 Fumiyasu Oba 教授领导的东京工业大学 (Tokyo Tech) 科学家团队将重点转向了机器学习。