Onderzoek, ontwikkeling, en de productie van nieuwe materialen zijn sterk afhankelijk van de beschikbaarheid van snelle en tegelijkertijd nauwkeurige simulatiemethoden. machinaal leren, waarin kunstmatige intelligentie (AI) autonoom nieuwe kennis verwerft en toepast, zullen onderzoekers straks in staat stellen complexe materiële systemen te ontwikkelen in een puur virtuele omgeving. Hoe werkt dit, en welke toepassingen zullen hiervan profiteren? In een artikel gepubliceerd in de Natuurmaterialen logboek, een onderzoeker van het Karlsruhe Institute of Technology (KIT) en zijn collega's uit Göttingen en Toronto leggen het allemaal uit.

Digitalisering en virtualisatie worden steeds belangrijker in een breed scala van wetenschappelijke disciplines. Een van deze disciplines is materiaalkunde:onderzoek, ontwikkeling, en de productie van nieuwe materialen zijn sterk afhankelijk van de beschikbaarheid van snelle en tegelijkertijd nauwkeurige simulatiemethoden. Dit, beurtelings, is gunstig voor een breed scala aan verschillende toepassingen - van efficiënte energieopslagsystemen, zoals die welke onmisbaar zijn voor het gebruik van hernieuwbare energiebronnen, naar nieuwe medicijnen, voor wiens ontwikkeling inzicht in complexe biologische processen vereist is. AI- en machine learning-methoden kunnen simulaties in materiaalwetenschappen naar een hoger niveau tillen. "Vergeleken met conventionele simulatiemethoden op basis van klassieke of kwantummechanische berekeningen, het gebruik van neurale netwerken die specifiek zijn afgestemd op materiaalsimulaties stelt ons in staat een aanzienlijk snelheidsvoordeel te behalen, " legt natuurkundige en AI-expert professor Pascal Friederich uit, Hoofd van de AiMat-Artificial Intelligence for Materials Sciences onderzoeksgroep bij KIT's Institute of Theoretical Informatics (ITI). "Met snellere simulatiesystemen, wetenschappers zullen grotere en complexere materiële systemen kunnen ontwikkelen in een puur virtuele omgeving, en om ze te begrijpen en te optimaliseren tot op atomair niveau."

Hoge precisie van het atoom tot het materiaal

In een artikel gepubliceerd in Natuurmaterialen , Pascal Friederich, die ook associate group leader is van de Nanomaterials by Information-Guided Design-divisie bij KIT's Institute of Nanotechnology (INT), presenteert, samen met onderzoekers van de Universiteit van Göttingen en de Universiteit van Toronto, een overzicht van de basisprincipes van machine learning die worden gebruikt voor simulaties in materiaalwetenschappen. Dit omvat ook het data-acquisitieproces en actieve leermethoden. Machine learning-algoritmen stellen niet alleen kunstmatige intelligentie in staat om de invoergegevens te verwerken, maar ook om patronen en correlaties te vinden in grote datasets, leer van ze, en autonoom voorspellingen en beslissingen te nemen. Voor simulaties in materiaalkunde, het is belangrijk om een ​​hoge nauwkeurigheid te bereiken over verschillende tijd- en grootteschalen, variërend van het atoom tot het materiaal, terwijl de rekenkosten worden beperkt. In hun artikel, de wetenschappers bespreken ook verschillende huidige toepassingen, zoals kleine organische moleculen en grote biomoleculen, structureel ongeordend vast, vloeistof, en gasvormige materialen, evenals complexe kristallijne systemen, bijvoorbeeld metaal-organische raamwerken die kunnen worden gebruikt voor gasopslag of voor scheiding, voor sensoren of voor katalysatoren.

Nog meer snelheid met hybride methoden

Om de mogelijkheden van materiaalsimulaties in de toekomst verder uit te breiden, de onderzoekers uit Karlsruhe, Göttingen, en Toronto suggereren de ontwikkeling van hybride methoden:deze combineren machine learning (ML) en moleculaire mechanica (MM) methoden. MM-simulaties gebruiken zogenaamde krachtvelden om de krachten te berekenen die op elk afzonderlijk deeltje inwerken en zo bewegingen te voorspellen. Aangezien de mogelijkheden van de ML- en MM-methoden vrij gelijkaardig zijn, een nauwe integratie met variabele overgangsgebieden is mogelijk. Deze hybride methoden kunnen in de toekomst de simulatie van grote biomoleculen of enzymatische reacties aanzienlijk versnellen, bijvoorbeeld.