Kunstmatige neurale netwerken - algoritmen geïnspireerd op verbindingen in de hersenen - hebben "geleerd" om een ​​verscheidenheid aan taken uit te voeren, van voetgangersdetectie in zelfrijdende auto's, om medische beelden te analyseren, talen te vertalen. Nutsvoorzieningen, onderzoekers van de University of California San Diego trainen kunstmatige neurale netwerken om nieuwe stabiele materialen te voorspellen.

"Het voorspellen van de stabiliteit van materialen is een centraal probleem in de materiaalkunde, Natuurkunde en scheikunde, " zei senior auteur Shyue Ping Ong, een professor in nano-engineering aan de UC San Diego Jacobs School of Engineering. "Aan de ene kant, je hebt traditionele chemische intuïtie zoals de vijf regels van Linus Pauling die stabiliteit voor kristallen beschrijven in termen van de stralen en pakking van ionen. Op de andere, je hebt dure kwantummechanische berekeningen om de energie te berekenen die wordt gewonnen door het vormen van een kristal dat op supercomputers moet worden gedaan. Wat we hebben gedaan is om kunstmatige neurale netwerken te gebruiken om deze twee werelden te overbruggen."

Door kunstmatige neurale netwerken te trainen om de vormingsenergie van een kristal te voorspellen met behulp van slechts twee inputs - elektronegativiteit en ionische straal van de samenstellende atomen - hebben Ong en zijn team in het Materials Virtual Lab modellen ontwikkeld die stabiele materialen kunnen identificeren in twee klassen kristallen die bekend staan ​​als granaten en perovskieten. Deze modellen zijn tot 10 keer nauwkeuriger dan eerdere machine learning-modellen en zijn snel genoeg om duizenden materialen binnen enkele uren efficiënt op een laptop te screenen. Het team beschrijft het werk in een paper gepubliceerd op 18 september in Natuurcommunicatie .

"Garnets en perovskieten worden gebruikt in LED-verlichting, oplaadbare lithium-ionbatterijen, en zonnecellen. Deze neurale netwerken hebben het potentieel om de ontdekking van nieuwe materialen voor deze en andere belangrijke toepassingen aanzienlijk te versnellen, " merkte eerste auteur Weik Ye op, een scheikunde Ph.D. student in Ongs Materials Virtual Lab.

Het team heeft hun modellen publiekelijk toegankelijk gemaakt via een webapplicatie op http://crystals.ai. Hierdoor kunnen andere mensen deze neurale netwerken gebruiken om de vormingsenergie van elke granaat- of perovskietsamenstelling on-the-fly te berekenen.

De onderzoekers zijn van plan om de toepassing van neurale netwerken uit te breiden naar andere kristalprototypes en andere materiaaleigenschappen.