condensatoren, gezien hun hoge energie-output en oplaadsnelheid, een belangrijke rol kunnen spelen bij het aandrijven van de machines van de toekomst, van elektrische auto's tot mobiele telefoons.

Maar de grootste hindernis voor deze apparaten voor energieopslag is dat ze veel minder energie opslaan dan een batterij van vergelijkbare grootte.

Onderzoekers van het Georgia Institute of Technology pakken dat probleem op een nieuwe manier aan, machine learning gebruiken om uiteindelijk manieren te vinden om meer capabele condensatoren te bouwen.

De methode, die op 18 februari in het tijdschrift werd beschreven npj Computational Materials en gesponsord door het Amerikaanse Office of Naval Research, houdt in dat je een computer leert om op atomair niveau twee materialen te analyseren waaruit sommige condensatoren bestaan:aluminium en polyethyleen.

De onderzoekers concentreerden zich op het vinden van een manier om de elektronische structuur van die materialen sneller te analyseren, op zoek naar functies die de prestaties kunnen beïnvloeden.

"De elektronica-industrie wil de elektronische eigenschappen en structuur kennen van alle materialen die ze gebruiken om apparaten te produceren, inclusief condensatoren, " zei Rampi Ramprasad, een professor aan de School of Materials Science and Engineering.

Neem een ​​materiaal als polyethyleen:het is een zeer goede isolator met een grote bandafstand - een energiebereik dat verboden is voor elektrische ladingsdragers. Maar als het een defect heeft, ongewenste ladingsdragers worden toegelaten in de band gap, efficiëntie verminderen, hij zei.

"Om te begrijpen waar de gebreken zitten en welke rol ze spelen, we moeten de hele atomaire structuur berekenen, iets dat tot nu toe buitengewoon moeilijk was, " zei Ramprasad, die de Michael E. Tennenbaum Family Chair bekleedt en de Georgia Research Alliance Eminent Scholar in Energy Sustainability is. "De huidige methode om die materialen te analyseren met behulp van kwantummechanica is zo traag dat het de hoeveelheid analyse die op een bepaald moment kan worden uitgevoerd, beperkt."

Ramprasad en zijn collega's, die gespecialiseerd zijn in het gebruik van machine learning om nieuwe materialen te ontwikkelen, gebruikte een steekproef van gegevens gemaakt op basis van een kwantummechanica-analyse van aluminium en polyethyleen als input om een ​​krachtige computer te leren hoe die analyse te simuleren.

Het analyseren van de elektronische structuur van een materiaal met kwantummechanica omvat het oplossen van de Kohn-Sham-vergelijking van de dichtheidsfunctionaaltheorie, die gegevens genereert over golffuncties en energieniveaus. Die gegevens worden vervolgens gebruikt om de totale potentiële energie van het systeem en de atoomkrachten te berekenen.

Het gebruik van de nieuwe machinale leermethode levert vergelijkbare resultaten acht ordes van grootte sneller op dan het gebruik van de conventionele techniek op basis van de kwantummechanica.

"Deze ongekende versnelling in rekencapaciteit stelt ons in staat elektronische materialen te ontwerpen die superieur zijn aan wat er momenteel is, " zei Ramprasad. "In principe kunnen we zeggen, 'Hier zijn gebreken aan dit materiaal die de efficiëntie van zijn elektronische structuur echt zullen verminderen.' En zodra we dergelijke aspecten efficiënt kunnen aanpakken, we kunnen elektronische apparaten beter ontwerpen."

Terwijl de studie zich concentreerde op aluminium en polyethyleen, machine learning kan worden gebruikt om de elektronische structuur van een breed scala aan materialen te analyseren. Naast het analyseren van elektronische structuur, andere aspecten van de materiaalstructuur die nu door de kwantummechanica worden geanalyseerd, kunnen ook worden bespoedigd door de machine learning-benadering, zei Ramprasad.

"Voor een deel hebben we gekozen voor aluminium en polyethyleen omdat ze componenten zijn van een condensator, maar het stelde ons ook in staat om aan te tonen dat je deze methode voor enorm verschillende materialen kunt gebruiken, zoals metalen die geleiders zijn en polymeren die isolatoren zijn, ' zei Ramprasad.

De snellere verwerking die de machine learning-methode mogelijk maakt, zou onderzoekers ook in staat stellen om sneller te simuleren hoe wijzigingen aan een materiaal de elektronische structuur zullen beïnvloeden, mogelijk nieuwe manieren onthullen om de efficiëntie te verbeteren.