Onderzoekers van het Instituut voor Industriële Wetenschappen, de Universiteit van Tokio (UTokyo-IIS), gebruikte kunstmatige intelligentie om snel de aangeslagen toestand van elektronen in materialen af ​​te leiden. Dit werk kan materiaalwetenschappers helpen de structuren en eigenschappen van onbekende monsters te bestuderen en helpen bij het ontwerpen van nieuwe materialen.

Vraag een willekeurige drogist, en ze zullen je vertellen dat de structuren en eigenschappen van materialen voornamelijk worden bepaald door de elektronen die rond de moleculen draaien waaruit het bestaat. Om specifiek te zijn, de buitenste elektronen, die het meest toegankelijk zijn voor deelname aan bindingen en chemische reacties, zijn het meest kritisch. Deze elektronen kunnen rusten in hun laagste energie "grondtoestand, " of tijdelijk in een hogere baan worden geschopt die een aangeslagen toestand wordt genoemd. Het vermogen om aangeslagen toestanden vanuit grondtoestanden te voorspellen, zou onderzoekers een heel eind helpen om de structuren en eigenschappen van materiaalmonsters te begrijpen, en zelfs nieuwe ontwerpen.

Nutsvoorzieningen, wetenschappers van UTokyo-IIS hebben een machine learning-algoritme ontwikkeld om precies dat te doen. Met behulp van de kracht van kunstmatige neurale netwerken - die al hun nut hebben bewezen om te beslissen of je laatste creditcardtransactie frauduleus was of welke film je moet streamen - liet het team zien hoe kunstmatige intelligentie kan worden getraind om het spectrum van opgewonden toestanden af ​​te leiden door de grondtoestanden van het materiaal.

"Opgewonden toestanden hebben meestal atomaire of elektronische configuraties die verschillen van hun overeenkomstige grondtoestanden, " zegt eerste auteur Shin Kiyohara. Om de training uit te voeren, de wetenschappers gebruikten gegevens van kern-elektronenabsorptiespectroscopie. Bij deze methode, een hoogenergetische röntgenstraal of elektron wordt gebruikt om een ​​kernelektron uit te schakelen dat dicht bij de atoomkern draait. Vervolgens, het kernelektron exciteert naar onbezette orbitalen, het absorberen van de energie van de hoogenergetische röntgenstraling/elektron. Het meten van deze energieabsorptie onthult informatie over de atomaire structuren, chemische binding, en eigenschappen van materialen.

Het kunstmatige neurale netwerk nam als invoer de gedeeltelijke toestandsdichtheid van de grondtoestand, die gemakkelijk kan worden berekend, en werd getraind om de overeenkomstige aangeslagen toestandsspectra te voorspellen. Een van de belangrijkste voordelen van het gebruik van neurale netwerken, in tegenstelling tot conventionele rekenmethoden, is het vermogen om de resultaten van een trainingsset toe te passen op geheel nieuwe situaties.

"De patronen die we voor het ene materiaal ontdekten, toonden een uitstekende overdraagbaarheid naar anderen, " zegt senior auteur Teruyasu Mizoguchi. "Dit onderzoek in opgewonden toestanden kan wetenschappers helpen de chemische reactiviteit en materiaalfunctie in nieuwe of bestaande verbindingen beter te begrijpen."

Het werk is gepubliceerd in npj Computational Materials als "Aangeslagen toestanden leren van grondtoestanden met behulp van een kunstmatig neuraal netwerk."