Machine learning (ML) maakt de nauwkeurige en efficiënte berekening van fundamentele elektronische eigenschappen van binaire en ternaire oxide-oppervlakken mogelijk, zoals blijkt uit wetenschappers van Tokyo Tech. Hun op ML gebaseerde model zou kunnen worden uitgebreid naar andere verbindingen en eigenschappen. De bevindingen zijn gepubliceerd in het Journal of the American Chemical Society , zou kunnen helpen bij het screenen van oppervlakte-eigenschappen van materialen en bij de ontwikkeling van functionele materialen.

Het ontwerp en de ontwikkeling van nieuwe materialen met superieure eigenschappen vereisen een uitgebreide analyse van hun atomaire en elektronische structuren.

Elektronenenergieparameters zoals ionisatiepotentiaal (IP), de energie die nodig is om een ​​elektron uit het maximum van de valentieband te verwijderen, en elektronenaffiniteit (EA), de hoeveelheid energie die vrijkomt bij de aanhechting van een elektron aan het minimum van de geleidingsband, onthullen belangrijke informatie over de elektronische bandstructuur van oppervlakken van halfgeleiders, isolatoren en diëlektrica.

De nauwkeurige schatting van IP's en EA's in dergelijke niet-metalen materialen kan hun toepasbaarheid aangeven voor gebruik als functionele oppervlakken en interfaces in lichtgevoelige apparatuur en opto-elektronische apparaten.

Bovendien zijn IP's en EA's aanzienlijk afhankelijk van de oppervlaktestructuren, wat een nieuwe dimensie toevoegt aan de complexe procedure van hun kwantificering. Traditionele berekeningen van IP's en EA's omvatten het gebruik van nauwkeurige basisberekeningen, waarbij de bulk- en oppervlaktesystemen afzonderlijk worden gekwantificeerd. Dit tijdrovende proces verhindert het kwantificeren van IP's en EA's voor veel oppervlakken, wat het gebruik van computationeel efficiënte benaderingen noodzakelijk maakt.

Om de uiteenlopende problemen aan te pakken die van invloed zijn op de kwantificering van IP's en EA's van niet-metallische vaste stoffen, heeft een team van wetenschappers van het Tokyo Institute of Technology (Tokyo Tech), onder leiding van professor Fumiyasu Oba, hun focus op ML verlegd.

Prof. Oba zegt:“De afgelopen jaren heeft ML veel aandacht gekregen in materiaalwetenschappelijk onderzoek. De mogelijkheid om materialen virtueel te screenen op basis van ML-technologie is een zeer efficiënte manier om nieuwe materialen met superieure eigenschappen te onderzoeken. het trainen van grote datasets met behulp van nauwkeurige theoretische berekeningen maakt de succesvolle voorspelling van belangrijke oppervlaktekarakteristieken en hun functionele implicaties mogelijk."

De onderzoekers gebruikten een kunstmatig neuraal netwerk om een ​​regressiemodel te ontwikkelen, waarbij de vloeiende overlap van atoomposities (SOAP's) als numerieke invoergegevens werd gebruikt. Hun model voorspelde nauwkeurig en efficiënt de IP's en EA's van binaire oxide-oppervlakken door gebruik te maken van de informatie over bulkkristalstructuren en oppervlakte-eindvlakken.

Bovendien zou het op ML gebaseerde voorspellingsmodel het leren kunnen 'overdragen', een scenario waarin een model dat voor een bepaald doel is ontwikkeld, kan worden gemaakt om nieuwere datasets op te nemen en opnieuw kan worden toegepast voor aanvullende taken. De wetenschappers namen de effecten van meerdere kationen op in hun model door 'leerbare' SOAP's te ontwikkelen en voorspelden de IP's en EA's van ternaire oxiden met behulp van transfer learning.

Prof. Oba concludeert:"Ons model is niet beperkt tot het voorspellen van oppervlakte-eigenschappen van oxiden, maar kan worden uitgebreid om andere verbindingen en hun eigenschappen te bestuderen."

Meer informatie: Shin Kiyohara et al., Banduitlijning van oxiden door leerbaar structureel-descriptor-ondersteund neuraal netwerk en overdrachtsleren, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c13574

Journaalinformatie: Journaal van de American Chemical Society

Aangeboden door het Tokyo Institute of Technology