In een essay van september 2020 in Natuur Energie , drie wetenschappers stelden verschillende "grote uitdagingen" - een daarvan was het vinden van geschikte materialen voor opslagapparaten voor thermische energie die in combinatie met zonne-energiesystemen konden worden gebruikt. Toevallig, Mingda Li - de Norman C. Rasmussen assistent-hoogleraar nucleaire wetenschap en techniek aan het MIT, die aan het hoofd staat van de Quantum Matter Group van de afdeling, dacht al in dezelfde richting. In feite, Li en negen medewerkers (van MIT, Lawrence Berkeley Nationaal Laboratorium, en Argonne National Laboratory) een nieuwe methodologie ontwikkelden, met een nieuwe benadering van machine learning, dat zou het sneller en gemakkelijker maken om materialen met gunstige eigenschappen voor thermische energieopslag en andere toepassingen te identificeren.

De resultaten van hun onderzoek verschijnen deze maand in een krant voor Geavanceerde wetenschap . "Dit is een revolutionaire benadering die belooft het ontwerp van nieuwe functionele materialen te versnellen, " zegt natuurkundige Jaime Fernandez-Baca, een vooraanstaand medewerker van het Oak Ridge National Laboratory.

Een centrale uitdaging in de materiaalkunde, Li en zijn coauteurs schrijven, is om "structuur-eigenschap relaties tot stand te brengen" - om erachter te komen welke eigenschappen een materiaal met een bepaalde atomaire structuur zou hebben. Li's team concentreerde zich, vooral, over het gebruik van structurele kennis om de "fonondichtheid van toestanden, " wat een kritische invloed heeft op thermische eigenschappen.

Om die term te begrijpen, het is het beste om te beginnen met het woord fonon. "Een kristallijn materiaal is samengesteld uit atomen die in een roosterstructuur zijn gerangschikt, " legt Nina Andrejevic uit, een doctoraat student materiaalkunde en techniek. "We kunnen deze atomen zien als bollen die verbonden zijn door veren, en thermische energie zorgt ervoor dat de veren gaan trillen. En die trillingen, die alleen voorkomen bij discrete [gekwantiseerde] frequenties of energieën, zijn wat we fononen noemen."

De fonondichtheid van toestanden is gewoon het aantal trillingsmodi, of fononen, gevonden binnen een bepaalde frequentie of energiebereik. De fonondichtheid van toestanden kennen, men kan het warmtedragend vermogen van een materiaal bepalen, evenals de thermische geleidbaarheid, die betrekking heeft op hoe gemakkelijk warmte door een materiaal gaat, en zelfs de supergeleidende overgangstemperatuur in een supergeleider. "Voor thermische energieopslagdoeleinden, je wilt een materiaal met een hoge soortelijke warmte, wat betekent dat het warmte kan opnemen zonder een sterke temperatuurstijging, "zegt Li. "Je wilt ook een materiaal met een lage thermische geleidbaarheid, zodat het zijn warmte langer vasthoudt."

De fonondichtheid van toestanden, echter, is een moeilijke term om experimenteel te meten of theoretisch te berekenen. "Voor een meting als deze, men moet naar een nationaal laboratorium om een ​​groot instrument te gebruiken, ongeveer 10 meter lang, om de energieresolutie te krijgen die u nodig hebt, "zegt Li. "Dat komt omdat het signaal dat we zoeken erg zwak is."

"En als je de fonondichtheid van toestanden wilt berekenen, de meest nauwkeurige manier om dit te doen is gebaseerd op de dichtheidsfunctionele verstoringstheorie (DFPT), " merkt Zhantao Chen op, een werktuigbouwkunde Ph.D. student. "Maar die berekeningen schalen met de vierde orde van het aantal atomen in de basisbouwsteen van het kristal, wat dagen aan rekentijd kan vergen op een CPU-cluster." Voor legeringen, die twee of meer elementen bevatten, de berekeningen worden veel moeilijker, mogelijk weken of zelfs langer duren.

De nieuwe methode, zegt Li, zou die rekenkundige eisen op een pc kunnen terugbrengen tot een paar seconden. In plaats van te proberen de fonondichtheid van toestanden te berekenen op basis van de eerste principes, wat duidelijk een moeizame taak is, zijn team gebruikte een neurale netwerkbenadering, gebruikmakend van kunstmatige intelligentie-algoritmen die een computer in staat stellen om van voorbeelden te leren. Het idee was om het neurale netwerk te voorzien van voldoende gegevens over de atomaire structuur van een materiaal en de bijbehorende fonon-dichtheid van toestanden, zodat het netwerk de belangrijkste patronen kon onderscheiden die de twee verbinden. Na op deze manier te "trainen", het netwerk zou hopelijk betrouwbare voorspellingen van toestanden kunnen maken voor een stof met een bepaalde atomaire structuur.

Voorspellingen zijn moeilijk, Li legt uit, omdat de fonondichtheid van toestanden niet kan worden beschreven door een enkel getal, maar eerder door een curve (analoog aan het spectrum van licht dat op verschillende golflengten wordt afgegeven door een lichtgevend object). "Een andere uitdaging is dat we slechts betrouwbare gegevens [dichtheid van staten] hebben voor ongeveer 1, 500 materialen. Toen we machine learning voor het eerst probeerden, de dataset was te klein om nauwkeurige voorspellingen te ondersteunen."

Zijn groep werkte toen samen met Lawrence Berkeley-natuurkundige Tess Smidt '12, een mede-uitvinder van zogenaamde Euclidische neurale netwerken. "Het trainen van een conventioneel neuraal netwerk vereist normaal gesproken datasets met honderdduizenden tot miljoenen voorbeelden, " zegt Smidt. Een aanzienlijk deel van die datavraag komt voort uit het feit dat een conventioneel neuraal netwerk niet begrijpt dat een 3D-patroon en een geroteerde versie van hetzelfde patroon gerelateerd zijn en eigenlijk hetzelfde vertegenwoordigen. Voordat het 3D-patronen kan herkennen -in dit geval, de precieze geometrische rangschikking van atomen in een kristal - een conventioneel neuraal netwerk moet eerst hetzelfde patroon in honderden verschillende oriëntaties worden getoond.

"Omdat Euclidische neurale netwerken geometrie begrijpen - en erkennen dat geroteerde patronen nog steeds hetzelfde 'betekenen' - kunnen ze de maximale hoeveelheid informatie uit een enkel monster halen, ’ vult Smidt aan. Daardoor een Euclidisch neuraal netwerk getraind op 1, 500 voorbeelden kunnen beter presteren dan een conventioneel neuraal netwerk dat is getraind op 500 keer meer gegevens.

Met behulp van het Euclidische neurale netwerk, het team voorspelde de fonondichtheid van toestanden voor 4, 346 kristallijne structuren. Vervolgens selecteerden ze de materialen met de 20 hoogste warmtecapaciteiten, het vergelijken van de voorspelde dichtheid van toestandswaarden met die verkregen door tijdrovende DFPT-berekeningen. De overeenkomst was opmerkelijk dichtbij.

De aanpak kan worden gebruikt om veelbelovende materialen voor thermische energieopslag te selecteren, in overeenstemming met de eerder genoemde "grote uitdaging, " zegt Li. "Maar het kan ook het ontwerp van legeringen aanzienlijk vergemakkelijken, omdat we nu de dichtheid van toestanden voor legeringen net zo gemakkelijk kunnen bepalen als voor kristallen. Dat, beurtelings, biedt een enorme uitbreiding in mogelijke materialen die we zouden kunnen overwegen voor thermische opslag, evenals vele andere toepassingen."

Sommige toepassingen hebben, in feite, al begonnen. Computercode van de MIT-groep is geïnstalleerd op machines in Oak Ridge, waardoor onderzoekers de fonon-dichtheid van toestanden van een bepaald materiaal kunnen voorspellen op basis van zijn atomaire structuur.

Andrejevic wijst erop, Bovendien, dat Euclidische neurale netwerken een nog breder potentieel hebben dat nog niet is aangeboord. "Ze kunnen ons helpen belangrijke materiaaleigenschappen te achterhalen naast de fonondichtheid van toestanden, dus dit zou het veld op een grote manier kunnen openen."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.