Onderzoekers hebben een machine learning-methode ontworpen die de structuur van nieuwe materialen kan voorspellen met vijf keer de efficiëntie van de huidige standaard, waardoor een belangrijke belemmering wordt weggenomen bij het ontwikkelen van geavanceerde materialen voor toepassingen zoals energieopslag en fotovoltaïsche energie.

De onderzoekers van Cambridge en Linkoping Universities hebben een manier ontworpen om de structuur van materialen te voorspellen, gezien de samenstellende elementen. De resultaten worden gerapporteerd in het tijdschrift Science Advances .

De rangschikking van atomen in een materiaal bepaalt de eigenschappen ervan. De mogelijkheid om deze opstelling computationeel te voorspellen voor verschillende combinaties van elementen, zonder het materiaal in het laboratorium te hoeven maken, zou onderzoekers in staat stellen snel materialen te ontwerpen en te verbeteren. Dit maakt de weg vrij voor vooruitgang zoals betere batterijen en fotovoltaïsche energie.

Er zijn echter veel manieren waarop atomen zich in een materiaal kunnen "verpakken":sommige pakkingen zijn stabiel, andere niet. Het bepalen van de stabiliteit van een pakking is rekenintensief en het berekenen van elke mogelijke rangschikking van atomen om de beste te vinden is niet praktisch. Dit is een belangrijk knelpunt in de materiaalkunde.

"Deze uitdaging voor het voorspellen van de materiaalstructuur is vergelijkbaar met het eiwitvouwprobleem in de biologie", zei Dr. Alpha Lee van het Cavendish Laboratory in Cambridge, die het onderzoek mede leidde. "Er zijn veel mogelijke structuren waarin een materiaal kan 'vouwen'. Behalve dat het materiaalwetenschappelijke probleem misschien nog uitdagender is dan biologie, omdat het een veel bredere reeks elementen beschouwt."

Lee en zijn collega's ontwikkelden een methode op basis van machine learning die deze uitdaging met succes aangaat. Ze ontwikkelden een nieuwe manier om materialen te beschrijven, waarbij ze de wiskunde van symmetrie gebruikten om de oneindige manieren waarop atomen zich in materialen kunnen verpakken te verminderen tot een eindige reeks mogelijkheden. Vervolgens gebruikten ze machine learning om de ideale pakking van atomen te voorspellen, gezien de elementen en hun relatieve samenstelling in het materiaal.

Hun methode voorspelt nauwkeurig de structuur van materialen die veelbelovend zijn voor piëzo-elektrische en energieoogsttoepassingen, met meer dan vijf keer de efficiëntie van de huidige methoden. Hun methode kan ook duizenden nieuwe en stabiele materialen vinden die nog nooit eerder zijn gemaakt, op een rekenkundig efficiënte manier.

"Het aantal mogelijke materialen is vier tot vijf ordes van grootte groter dan het totale aantal materialen dat we sinds de oudheid hebben gemaakt", zegt co-eerste auteur Dr. Rhys Goodall, ook van het Cavendish Laboratory. "Onze aanpak biedt een efficiënte computationele benadering die nieuwe stabiele materialen kan 'mijnen' die nog nooit eerder zijn gemaakt. Deze hypothetische materialen kunnen vervolgens computationeel worden gescreend op hun functionele eigenschappen."

De onderzoekers gebruiken nu hun machine learning-platform om nieuwe functionele materialen te vinden, zoals diëlektrische materialen. Ze integreren ook andere aspecten van experimentele beperkingen in hun benadering van materiaalontdekking. + Verder verkennen

Een model dat getraind is om spectroscopische profielen te voorspellen, helpt bij het ontcijferen van de structuur van materialen