Het ontwerpen van geavanceerde materialen is een complex proces, met veel mogelijke combinaties voor het precies plaatsen van atomen in een structuur. Maar nu, wetenschappers hebben een nieuwe tool ontwikkeld die helpt bij het bepalen van de ideale plaatsing - dankzij een algoritme dat de beste zetten identificeert om computerspellen te winnen, volgens een onderzoek dat onlangs in het tijdschrift is gepubliceerd Wetenschap en technologie van geavanceerde materialen .

Wetenschappers die geavanceerde materialen ontwerpen, die toepassingen hebben in siliciummicrochips of optische vezels, bijvoorbeeld, hebben vaak moeite om te bepalen hoe atomen in een kristalstructuur moeten worden geplaatst om een ​​gerichte functie te bereiken. Om dit proces te verbeteren, onderzoekers in Japan ontwikkelden een nieuwe methode genaamd Materials Design met behulp van Tree Search (MDTS). Het identificeert de beste atomaire posities met behulp van een algoritme genaamd de Monte Carlo-boomzoekopdracht, die met succes door computerspellen is gebruikt om bewegingen te bepalen die de best mogelijke resultaten opleveren.

Het team gebruikte hun methode om de beste manier te identificeren om structuren van silicium-germaniumlegeringen te ontwerpen, die een minimaal of maximaal vermogen hebben om warmte te geleiden. Materialen met een minimale 'thermische geleidbaarheid' kunnen restwarmte van industriële processen terugwinnen voor gebruik als energiebron. Materialen met maximale thermische geleidbaarheid kunnen warmte onttrekken aan computerverwerkingseenheden.

De legering heeft een bepaald aantal atomaire ruimtes die gevuld kunnen worden met silicium of germanium. Het MDTS-algoritme doorloopt een iteratief leerproces dat berekent welke van alle mogelijke posities het beste is voor het plaatsen van silicium of germanium om de gewenste mate van thermische geleiding te bereiken.

Het team vergeleek hun methode met een ander veelgebruikt algoritme voor dit doel en ontdekte dat MDTS vergelijkbaar of beter was in termen van totale rekentijd. Hun methode heeft ook een "substantieel" vermogen om van gegevens te leren.

"MDTS is een praktisch hulpmiddel dat materiaalwetenschappers gemakkelijk kunnen inzetten bij hun eigen problemen en heeft het potentieel om een ​​standaardkeuze te worden, ’ concluderen de onderzoekers.