Het ontwerpen van materialen die de nodige eigenschappen hebben om specifieke functies te vervullen, is een uitdaging voor onderzoekers die werken op gebieden van katalyse tot zonnecellen. Om ontwikkelprocessen te versnellen, modelleringsbenaderingen kunnen worden gebruikt om informatie te voorspellen om verfijningen te begeleiden. Onderzoekers van het Instituut voor Industriële Wetenschappen van de Universiteit van Tokyo hebben een machine learning-model ontwikkeld om kenmerken van gebonden en geadsorbeerde materialen te bepalen op basis van parameters van de afzonderlijke componenten. Hun bevindingen zijn gepubliceerd in Technische Natuurkunde Express .

Factoren zoals de lengte en sterkte van bindingen in materialen spelen een cruciale rol bij het bepalen van de structuren en eigenschappen die we op macroscopische schaal ervaren. Het vermogen om deze eigenschappen gemakkelijk te voorspellen is daarom waardevol bij het ontwerpen van nieuwe materialen.

De dichtheid van toestanden (DOS) is een parameter die kan worden berekend voor individuele atomen, moleculen, en materialen. Simpel gezegd, het beschrijft de beschikbare opties voor de elektronen die zich in een materiaal rangschikken. Een modelleringsaanpak die deze informatie voor geselecteerde componenten kan gebruiken en bruikbare gegevens voor het gewenste product kan produceren - zonder dat het materiaal hoeft te worden gemaakt en geanalyseerd - is een aantrekkelijk hulpmiddel.

De onderzoekers gebruikten een machine learning-aanpak - waarbij het model zijn reactie verfijnt zonder menselijke tussenkomst - om vier verschillende eigenschappen van producten te voorspellen op basis van de DOS-informatie van de afzonderlijke componenten. Hoewel de DOS eerder als descriptor is gebruikt om enkele parameters vast te stellen, dit is de eerste keer dat meerdere verschillende eigenschappen zijn voorspeld.

"We waren in staat om de bindingsenergie kwantitatief te voorspellen, bindingslengte, aantal covalente elektronen, en de Fermi-energie na binding voor drie verschillende algemene soorten systemen, " legt studie eerste auteur Eiki Suzuki uit. "En onze voorspellingen waren zeer nauwkeurig voor alle eigenschappen."

Omdat de berekening van DOS van een geïsoleerde toestand minder complex is dan voor gebonden systemen, de analyse is relatief efficiënt. In aanvulling, het gebruikte neurale netwerkmodel presteerde goed, zelfs wanneer slechts 20% van de dataset voor training werd gebruikt.

"Een belangrijk voordeel van ons model is dat het algemeen is en kan worden toegepast op een breed scala aan systemen, " studie corresponderende auteur Teruyasu Mizoguchi legt uit. "Wij geloven dat onze bevindingen een belangrijke bijdrage kunnen leveren aan tal van ontwikkelingsprocessen, bijvoorbeeld in katalyse, en zou met name nuttig kunnen zijn in nieuwere onderzoeksgebieden zoals nanoclusters en nanodraden."

Het artikel, "Nauwkeurige voorspelling van bindingseigenschappen door een op machine learning gebaseerd model met behulp van geïsoleerde toestanden vóór binding", werd gepubliceerd in Technische Natuurkunde Express .