Wetenschappers van de University of North Carolina in Chapel Hill en Duke University hebben de eerste algemene methode ontwikkeld om machinaal leren te gebruiken om de eigenschappen van nieuwe metalen te voorspellen. keramiek en andere kristallijne materialen en om nieuwe toepassingen voor bestaande materialen te vinden, een ontdekking die talloze uren kan besparen die verloren zijn gegaan in het proces van vallen en opstaan ​​om nieuwe en betere materialen te maken.

Onderzoekers onder leiding van Olexandr Isayev, doctoraat, en Alexander Tropsha, doctoraat, aan de UNC Eshelman School of Pharmacy gebruikte gegevens over ongeveer 60, 000 unieke materialen uit de anorganische kristalstructuurdatabase van het National Institute of Standards and Technology om een ​​nieuwe methodologie te creëren die ze Properties Labeled Materials Fragments noemen.

Machine learning gebruiken om bestaande kristalstructuren te analyseren en te modelleren, de PLMF-methode is in staat om de eigenschappen te voorspellen van nieuwe materialen die worden voorgesteld door wetenschappers en ingenieurs. De tool was zelfs in staat om ontbrekende waarden in te vullen voor eigenschappen van materialen in de NIST-database die nog nooit experimenteel waren getest.

"Technologie wordt vaak gedreven door de ontdekking van nieuwe materialen, maar het proces om deze materialen te ontdekken is altijd nogal willekeurig geweest, " Zei Tropsha. "Onze nieuwe tool past de gegevens- en kennisgestuurde benadering toe die we in de farmaceutische wetenschappen gebruiken om medicijnen te ontwerpen. Omdat het creëren van nieuwe materialen ongelooflijk veel tijd en moeite kost die vaak op teleurstelling uitloopt, Met onze PLMF-tool kunnen materiaalwetenschappers een nieuw idee testen voordat ze zelfs maar een vinger optillen om het te synthetiseren."

Tropsha is de K.H. Lee Distinguished Professor aan de School en directeur van het Laboratory for Molecular Modeling. Isayev is een onderzoeksassistent-professor. Hun werk werd gepubliceerd in Natuurcommunicatie , en de PLMF-tool is publiekelijk beschikbaar als een gebruiksvriendelijke webtoepassing op http://aflow.org/aflow-ml.

De PLMF-methode werkt door "vingerafdrukken" te maken van de structuur van de kristallen die de kleinste eenheden van anorganische materialen zoals keramiek, metalen en metaallegeringen. Door de vingerafdrukken te combineren met machinaal leren, konden universele modellen worden gemaakt die in staat zijn om acht kritische elektronische en thermomechanische eigenschappen van vrijwel elk anorganisch kristallijn materiaal nauwkeurig te voorspellen. De eigenschappen omvatten geleidbaarheid, stijfheid en samendrukbaarheid, warmteoverdracht en reactie op temperatuurverandering, en het team is van plan meer eigendommen op te nemen naarmate ze meer gegevens verzamelen, zei Isayev.

"In veel praktijkprojecten mensen kennen het bereik van waarden die ze willen voor een bepaalde eigenschap, " Zei Isayev. "We kunnen gebruikmaken van wat we weten over deze materialen en slimme machine learning om potentiële materialen snel te screenen op het juiste eigendom. Onderzoekers kunnen kandidaatmaterialen snel verfijnen en veel vreemde en complexe berekeningen vermijden. Dit bespaart geld, tijd en rekenkracht."

In de eerste praktische toepassing voor machine learning, het team werkte samen met assistent-professor Jim Cahoon, doctoraat, in het UNC Department of Chemistry om een ​​nieuw elektrodemateriaal te ontwerpen voor een soort goedkope zonnecellen. Het momenteel gebruikte nikkeloxide, is niet erg efficiënt, giftig en vereist organische oplosmiddelen om in de cel te werken.

Wetenschappers screenden virtueel 50, 000 bekende anorganische verbindingen en identificeerde loodtitanaat als het meest veelbelovende materiaal en daaropvolgende testen bevestigden het. De apparaten die loodtitanaat gebruiken, vertoonden de beste prestaties in waterige oplossing, waardoor een overstap van oplosmiddelen naar een oplossing op waterbasis mogelijk is die de kosten kan verlagen en tegelijkertijd milieuvriendelijker is.

"Loodtitanaat zou waarschijnlijk niet de eerste keuze zijn geweest van de meeste materiaalwetenschappers, omdat de structuur zo anders is dan die van nikkeloxide, Isayev zei. "Materialen afgeleid van ijzer, kobalt of koper zou eerder in aanmerking komen omdat ze chemisch meer op nikkel lijken. De PLMF en machine learning vonden een eenvoudige en nieuwe oplossing die ontelbare uren aan trial-and-error zoeken bespaarde."