Het vinden van nieuwe functionele materialen is altijd lastig. Maar het zoeken naar zeer specifieke eigenschappen binnen een relatief kleine familie van bekende materialen is nog moeilijker.

Maar een team van Northwestern Engineering en Los Alamos National Laboratory vond een oplossing. De groep ontwikkelde een nieuwe workflow die machine learning en dichtheidsfunctionaaltheorieberekeningen combineert om ontwerprichtlijnen te creëren voor nieuwe materialen die nuttige elektronische eigenschappen vertonen, zoals ferro-elektriciteit en piëzo-elektriciteit.

Weinig gelaagde materialen hebben deze kwaliteiten in bepaalde geometrieën - cruciaal voor het ontwikkelen van oplossingen voor elektronica, communicatie, en energieproblemen - wat betekent dat er heel weinig gegevens waren om de richtlijnen te formuleren met behulp van traditionele onderzoeksbenaderingen.

"Als anderen op zoek zijn naar nieuwe materialen, meestal zoeken ze op plaatsen waar ze veel gegevens van vergelijkbare materialen hebben. Het is op geen enkele manier gemakkelijk, maar we weten wel hoe we informatie uit grote datasets kunnen distilleren, " zei James M. Rondinelli, assistent-professor materiaalkunde en techniek aan de McCormick School of Engineering. "Als je niet veel informatie hebt, leren van de gegevens wordt een moeilijk probleem."

Het onderzoek is beschreven in het artikel "Leren van data om functionele materialen te ontwerpen zonder inversiesymmetrie, " verschijnen in de 17 februari, 2017, probleem van Natuurcommunicatie . Prasanna Balachandran van Los Alamos National Lab in New Mexico is de co-auteur van het artikel. Jozua Jong, een voormalig afgestudeerde student in Rondinelli's lab, en Turab Lookman, een senior onderzoeker bij Los Alamos, ook bijgedragen.

Ondersteund door financiering van de National Science Foundation en het Laboratory Directed Research and Development Program via Los Alamos, Rondinelli's groep concentreerde zich op een klasse van tweedimensionale complexe oxiden - of Ruddlesden-Popper-oxiden. Deze materialen vertonen veel technologische eigenschappen, zoals ferro-elektriciteit en piëzo-elektriciteit, en kan worden gekoppeld aan traditionele halfgeleidermaterialen die te vinden zijn in de elektronische apparaten van vandaag.

"In dit gezin de dataset is nietig. Momenteel, er zijn slechts ongeveer 10 tot 15 materialen bekend met de gewenste eigenschappen, " zei Rondinelli. "Dit zijn niet veel gegevens om mee te werken. Traditioneel wordt data science gebruikt voor big data-problemen waarbij er minder behoefte is aan domeinkennis."

"Ondanks de kleine gegevensaard van het probleem, "Balachandran voegde toe, "Onze aanpak werkte omdat we ons begrip van deze materialen (domeinkennis) konden combineren met de gegevens om de machine learning te informeren."

Daarom, de groep begon met het bouwen van een database met bekende materialen en met behulp van machine learning, een deelgebied van de informatica dat algoritmen bouwt die in staat zijn om van gegevens te leren en die kennis vervolgens te gebruiken om betere voorspellingen te doen. "Met machinaal leren, we kunnen chemische samenstellingen identificeren die waarschijnlijke kandidaten zijn voor het materiaal dat u wilt ontwikkelen, " hij zei.

Van de meer dan 3, 000 mogelijke materialen onderzocht, de data science-aanpak vond meer dan 200 met veelbelovende kandidaten. Volgende, het team paste verschillende soorten rigoureuze kwantummechanische berekeningen toe. Dit beoordeelde de atomaire structuren van de potentiële materialen en controleerde hun stabiliteit.

"We vroegen ons af:zou het materiaal de voorspelde structuur hebben? Heeft het elektrische polarisatie? Kan het in een laboratorium worden gemaakt?" voegde Rondinelli toe.

Dit werk verkleinde de mogelijkheden tot 19, die werden aanbevolen voor onmiddellijke experimentele synthese. Toch zijn er onder de 200 kandidaten waarschijnlijk nog veel meer mogelijkheden.

Typisch, bij het ontwikkelen van nieuwe materialen, het aantal mogelijkheden is te groot om ze allemaal te verkennen en te ontwikkelen. Het proces van het screenen van potentiële materialen is erg duur, en wetenschappers moeten selectief zijn in hun investeringen.

"Ons werk heeft het potentieel om enorme hoeveelheden tijd en middelen te besparen, ' zei Balachandran. 'In plaats van alle mogelijke materialen te onderzoeken, alleen die materialen die veelbelovend kunnen zijn, zullen worden aanbevolen voor experimenteel onderzoek."