Onderzoekers van de Northwestern University hebben een nieuw raamwerk ontwikkeld met behulp van machine learning dat de nauwkeurigheid van interatomaire potentialen verbetert - de leidende regels die beschrijven hoe atomen op elkaar inwerken - in het ontwerp van nieuwe materialen. De bevindingen kunnen leiden tot nauwkeurigere voorspellingen van hoe nieuwe materialen warmte overdragen, vervormen, en falen op atomaire schaal.

Het ontwerpen van nieuwe nanomaterialen is een belangrijk aspect van de ontwikkeling van apparaten van de volgende generatie die worden gebruikt in elektronica, sensoren, energie oogsten en opslaan, optische detectoren, en constructiematerialen. Om deze materialen te ontwerpen, onderzoekers creëren interatomaire potentialen door middel van atomistische modellering, een computationele benadering die voorspelt hoe deze materialen zich gedragen door op het kleinste niveau rekening te houden met hun eigenschappen. Het proces om het interatomaire potentieel van materialen vast te stellen, parametrisering genoemd, vereist een aanzienlijke chemische en fysische intuïtie, wat leidt tot een minder nauwkeurige voorspelling van het ontwerp van nieuwe materialen.

Het platform van de onderzoekers minimaliseert gebruikersinterventie door gebruik te maken van multi-objectieve genetische algoritme-optimalisatie en statistische analysetechnieken, en screent veelbelovende interatomaire potentialen en parametersets.

"De computationele algoritmen die we hebben ontwikkeld, bieden analisten een methodologie om traditionele tekortkomingen te beoordelen en te vermijden, " zei Horacio Espinosa, James N. en Nancy J. Farley, hoogleraar productie en ondernemerschap en hoogleraar werktuigbouwkunde en (met dank aan) biomedische technologie en civiele techniek en milieutechniek, die het onderzoek leidde. "Ze bieden ook de middelen om de parametrering af te stemmen op interessante toepassingen."

De bevindingen werden gepubliceerd in een studie getiteld "Parametrization of Interatomic Potentials for Accurate Large Deformation Pathways Using Multi-Objective Genetic Algorithms and Statistical Analyses:A Case Study on Two-Dimensional Materials" op 21 juli in Natuurpartnerjournalen - Computationeel materiaal .

Xu Zhang en Hoang Nguyen, beide studenten in het afstudeerprogramma Theoretical and Applied Mechanics (TAM) van Northwestern Engineering, waren co-eerste auteurs van de studie. Andere co-auteurs waren Jeffrey T. Paci van de Universiteit van Victoria, Canada, Subramanian Sankaranarayanan van Argonne National Laboratory, en Jose Mendoza van de Michigan State University.

Het raamwerk van de onderzoekers maakt gebruik van trainings- en screeningdatasets die zijn verkregen uit simulatieresultaten van de dichtheidsfunctionaaltheorie, gevolgd door een evaluatiestap die hoofdcomponentenanalyse en correlatieanalyse omvat.

"We hebben een reeks stappen gedefinieerd om een ​​iteratieve leeraanpak te bereiken, gegeven specifieke optimalisatiedoelstellingen, " zei Espinosa, die het TAM-programma leidt. "Onze statistische benadering stelt gebruikers in staat om tegenstrijdige optimalisatiedoelen te realiseren die belangrijk zijn bij het stellen van limieten voor toepasbaarheid en overdraagbaarheid naar de geparametriseerde potentiëlen." Deze relaties kunnen de onderliggende fysica onthullen achter sommige fenomenen die voor elkaar irrelevant lijken te zijn.

Het team identificeerde een positieve correlatie tussen de nauwkeurigheid van de interatomaire potentiaal en de complexiteit en het aantal van de vermelde parameters - een fenomeen waarvan wordt aangenomen dat het waar is in het veld, maar voorheen onbewezen met behulp van kwantitatieve methoden. Aan dit niveau van complexiteit moet worden voldaan door een evenredige hoeveelheid trainingsgegevens. Er niet ingeslaagd, met name gegevens die kritieke informatie bevatten, leidt tot verminderde nauwkeurigheid.

De onderzoekers vonden, bijvoorbeeld, dat om de getrouwheid van interatomaire potentialen te verbeteren, niet-evenwichtseigenschappen en krachtovereenstemmingsgegevens zijn vereist.

"Dit omvatte een betere beschrijving van grote vervormingspaden en falen in materialen, ' zei Nguyen.

"Hoewel dit geen conventionele eigenschappen zijn waarop mensen zich richten tijdens parametrisering, ze zijn cruciaal voor het begrijpen van de betrouwbaarheid en functionaliteit van materialen en apparaten, ' zei Zhang.

De nieuwe aanpak helpt ook om de barrière van gebruikerservaring om dit onderzoeksveld te betreden, weg te nemen. "Door dit werk we hopen een stap voorwaarts te maken door de simulatietechnieken de eigenschap van materialen beter weer te geven. Die kennis kan worden uitgebreid en uiteindelijk van invloed zijn op het ontwerp van apparaten en technologie die we allemaal gebruiken, ' zei Zhang.

Volgende, de onderzoekers zullen hun modellen gebruiken om hun onderzoek uit te breiden om breuk en vervorming in 2D-materialen te bestuderen, evenals de rol van defect engineering in taaiheidsverbeteringen. Ze ontwikkelen ook in situ elektronenmicroscopie-experimenten die atomistische faalwijzen zullen onthullen, het verstrekken van een manier om de voorspellende mogelijkheden van de geparametriseerde potentialen te beoordelen.