Nanogestructureerde lagen hebben talloze potentiële eigenschappen, maar hoe kan de meest geschikte worden geïdentificeerd zonder langdurige experimenten? Een team van de afdeling Materials Discovery van de Ruhr-Universität Bochum (RUB) heeft een kortere weg gewaagd:met behulp van een machine learning-algoritme, de onderzoekers konden de eigenschappen van zo'n laag betrouwbaar voorspellen. Hun rapport werd gepubliceerd in het nieuwe tijdschrift Communicatiematerialen vanaf 26 maart 2020.

Poreus of dicht, kolommen of vezels

Tijdens de vervaardiging van dunne films, talrijke controlevariabelen bepalen de toestand van het oppervlak en, bijgevolg, zijn eigenschappen. Relevante factoren zijn onder meer de samenstelling van de laag en de procesomstandigheden tijdens de vorming ervan, zoals temperatuur. Al deze elementen samen resulteren in de vorming van een poreuze of een dichte laag tijdens het coatingproces, met atomen die zich combineren om kolommen of vezels te vormen. "Om de optimale parameters voor een toepassing te vinden, het was nodig om talloze experimenten uit te voeren onder verschillende omstandigheden en met verschillende samenstellingen; dit is een ongelooflijk complex proces, " legt professor Alfred Ludwig uit, Hoofd van het Materials Discovery and Interfaces-team.

Bevindingen die door dergelijke experimenten worden opgeleverd, zijn zogenaamde structuurzonediagrammen, waaruit het oppervlak van een bepaalde samenstelling als gevolg van bepaalde procesparameters kan worden afgelezen. "Ervaren onderzoekers kunnen zo'n diagram vervolgens gebruiken om de meest geschikte locatie voor een toepassing te identificeren en de parameters af te leiden die nodig zijn om de geschikte laag te produceren, " merkt Ludwig op. "Het hele proces vereist een enorme inspanning en is zeer tijdrovend."

Algoritme voorspelt oppervlak

Streven naar een kortere weg naar het optimale materiaal, het team profiteerde van kunstmatige intelligentie, meer precies machine learning. Hiertoe, doctoraat onderzoeker Lars Banko, samen met collega's van het Interdisciplinair Center for Advanced Materials Simulation aan de RUB, Icams in het kort, een zogenaamd generatief model aangepast. Vervolgens trainde hij dit algoritme om afbeeldingen te genereren van het oppervlak van een grondig onderzochte modellaag van aluminium, chroom en stikstof met behulp van specifieke procesparameters, om te voorspellen hoe de laag er onder de betreffende omstandigheden uit zou zien.

"We hebben het algoritme gevoed met een voldoende hoeveelheid experimentele gegevens om het te trainen, maar niet met alle bekende gegevens, " benadrukt Lars Banko. de onderzoekers konden de resultaten van de berekeningen vergelijken met die van de experimenten en analyseren hoe betrouwbaar de voorspelling was. De resultaten waren overtuigend:"We combineerden vijf parameters en konden tegelijkertijd in vijf richtingen kijken met behulp van het algoritme - zonder enige experimenten uit te voeren, " schetst Alfred Ludwig. "We hebben hiermee aangetoond dat machinale leermethoden kunnen worden overgedragen naar materiaalonderzoek en kunnen helpen bij het ontwikkelen van nieuwe materialen voor specifieke doeleinden."