Onderzoekers van de Northwestern University hebben een nieuwe computationele benadering ontwikkeld om het ontwerp van materialen met metaal-isolatorovergangen (MIT) te versnellen, een zeldzame klasse van elektronische materialen die potentieel hebben getoond om toekomstig ontwerp en levering van snellere micro-elektronica en kwantuminformatiesystemen een vliegende start te geven - fundamentele technologieën achter Internet of Things-apparaten en grootschalige datacenters die de manier waarop mensen werken en met anderen omgaan, bepalen.

De nieuwe strategie, een samenwerking tussen professoren James Rondinelli en Wei Chen, geïntegreerde technieken van statistische inferentie, optimalisatie theorie, en computationele materiaalfysica. De benadering combineert Bayesiaanse optimalisatie met meerdere doelstellingen met latent-variabele Gauss-processen om ideale eigenschappen te optimaliseren in een familie van MIT-materialen die complexe lacunaire spinellen worden genoemd.

Wanneer onderzoekers naar nieuwe materialen zoeken, ze zoeken meestal op plaatsen waar al bestaande gegevens over vergelijkbare materialen bestaan. Het ontwerp van vele klassen van materiaaleigenschappen is versneld in bestaande werken met gegevensgestuurde methoden, geholpen door gegevensgeneratie met hoge doorvoer in combinatie met methoden zoals machine learning.

dergelijke benaderingen, echter, niet beschikbaar waren voor MIT-materialen, gecategoriseerd door hun vermogen om omkeerbaar te schakelen tussen elektrisch geleidende en isolerende toestanden. De meeste MIT-modellen zijn geconstrueerd om een ​​enkel materiaal te beschrijven, waardoor het genereren van de modellen vaak een uitdaging is. Tegelijkertijd, conventionele machine learning-methoden hebben een beperkt voorspellend vermogen getoond vanwege het ontbreken van beschikbare gegevens, waardoor het ontwerp van nieuwe MIT-materialen moeilijk is.

"Onderzoekers begrijpen hoe ze informatie uit grote materiaaldatasets kunnen distilleren waar deze bestaat en wanneer geschikte functies beschikbaar zijn, " zei Rondinelli, hoogleraar materiaalkunde en engineering en de Morris E. Fine Professor in Materials and Manufacturing aan de McCormick School of Engineering, en corresponderend auteur van de studie. "Maar wat doe je als je geen grote datasets of de benodigde features hebt? Ons werk doorbreekt deze status quo door predicatieve en verkennende modellen te bouwen zonder dat er grote datasets of features nodig zijn die beginnen bij een kleine dataset."

Een document waarin het werk wordt beschreven, getiteld "Featureless Adaptive Optimization versnelt het ontwerp van functionele elektronische materialen, " werd op 6 november gepubliceerd in het tijdschrift Toegepaste natuurkunde beoordeling .

De methode van het onderzoeksteam, geavanceerde optimalisatie-engine (AOE) genoemd, omzeilt traditionele op machine learning gebaseerde ontdekkingsmodellen door gebruik te maken van een latente variabele Gaussiaanse procesmodelleringsbenadering, die alleen de chemische samenstelling van materialen vereist om hun optimale aard te onderscheiden. Hierdoor kon de op Bayesiaanse optimalisatie gebaseerde AOE efficiënt zoeken naar materialen met optimale bandafstand (elektrische weerstand/geleiding) afstembaarheid en thermische stabiliteit (synthetiseerbaarheid) - twee bepalende kenmerken voor bruikbare materialen.

Om hun aanpak te valideren, het team analyseerde honderden chemische combinaties met behulp van op dichtheidsfunctietheorie gebaseerde simulaties en vond 12 voorheen niet-geïdentificeerde composities van complexe lacunaire spinellen die optimale functionaliteit en synthetiseerbaarheid vertoonden. Van deze MIT-materialen is bekend dat ze unieke spintexturen bevatten, een noodzakelijke functie om het toekomstige internet der dingen en andere hulpbronnenintensieve technologieën aan te drijven.

"Deze vooruitgang overwint traditionele beperkingen die worden opgelegd door op chemische intuïtie gebaseerde materiaalontwerpen, " zei Chen, Wilson-Cook Hoogleraar Engineering Design en hoogleraar en leerstoel werktuigbouwkunde, en een co-auteur van de studie. "Door functioneel materiaalontwerp te herformuleren als een optimalisatieprobleem, we hebben niet alleen een oplossing gevonden voor de uitdaging om met beperkte data te werken, maar toonde ook het vermogen om efficiënt nieuwe materialen voor toekomstige elektronica te ontdekken."

Terwijl de onderzoekers hun methode testten op anorganische materialen, ze geloven dat de aanpak ook kan worden toegepast op organische materialen, zoals het ontwerp van eiwitsequenties in biomaterialen of monomeersequenties in polymere materialen. Het model biedt ook richtlijnen voor het nemen van betere beslissingen voor het optimale ontwerp van materialen door ideale kandidaat-verbindingen te kiezen om te simuleren.

"Onze methode effent de weg voorwaarts voor optimalisatie van meerdere eigenschappen en het co-design van complexe multifunctionele materialen waar eerdere gegevens en kennis schaars is, ' zei Rondinelli.

Het werk aan deze studie kwam voort uit een project dat Bayesiaanse optimalisatie in materiaalontdekking onderzoekt binnen het interdisciplinaire clusterprogramma Predictive Science and Engineering Design (PSED), gesponsord door The Graduate School in Northwestern. Het werd ondersteund door financiering van de National Science Foundation en het Advanced Research Projects Agency-Energy's (ARPA-E) DIFFERENTIATE-programma, die opkomende AI-technologieën wil gebruiken om grote energie- en milieu-uitdagingen aan te pakken.

"Dit werk benadrukt de impact van de collaboratieve PSED interdisciplinaire ontwerpcluster, "Zei Chen. "Het benadrukt ook de cruciale vooruitgang op het gebied van AI en machine learning bij Northwestern in ontwerp en optimalisatie."