Materialen met chemische, optisch, en elektronische eigenschappen die worden aangedreven door structuren van miljardsten van een meter, kunnen leiden tot verbeterde energietechnologieën - van efficiëntere zonnecellen tot batterijen met een langere levensduur. Wetenschappelijke instrumenten zoals die van Brookhaven Lab's Centre for Functional Nanomaterials (CFN) en de net geopende National Synchrotron Light Source II (NSLS-II), zowel DOE Office of Science Gebruikersfaciliteiten, bieden nieuwe manieren om materialen op deze nanometer-lengteschaal te bestuderen, ook omdat ze in echte apparaten werken.

Deze experimenten produceren enorme hoeveelheden data, belangrijke details over materialen onthullen. Maar op dit moment hebben wetenschappers niet de rekentools die ze nodig hebben om die gegevens te gebruiken voor rationeel materiaalontwerp - een stap die essentieel is om de ontdekking van materialen met de prestatiekenmerken die nodig zijn voor de echte wereld te versnellen, grootschalige implementatie. Om dat doel te bereiken, wat nodig is, is een nieuwe manier om de gegevens van een reeks experimenten samen met theoretische beschrijvingen van het gedrag van materialen te combineren tot geldige voorspellende modellen die wetenschappers kunnen gebruiken om krachtige nieuwe materialen te ontwikkelen.

"Er is een zeer goede kans dat expertise in high-performance computing en toegepaste wiskundige algoritmen, ontwikkeld met de steun van DOE's Office of Advanced Scientific Computing Research (ASCR) ons kan helpen vooruitgang te boeken op deze grens, " zei Simon Billinge, een natuurkundige aan het Brookhaven National Laboratory en de School of Engineering and Applied Science van Columbia University. Op de SC14-conferentie, Simon presenteerde een mogelijke oplossing die gebruikmaakt van wiskundige theorie en rekenhulpmiddelen om de informatie te extraheren die essentieel is voor het versterken van modellen van materiaalprestaties.

"Veel van de modellen die we voor deze materialen hebben, zijn niet robuust, "zei hij. "Idealiter, we willen graag de eigenschappen kunnen programmeren die we willen - laten we zeggen, efficiënte zonne-energieomzetting, supergeleiding, enorme elektrische opslagcapaciteit - en laat het model het ontwerp uitspugen voor een nieuw materiaal dat die eigenschap zal hebben, maar dit is duidelijk onmogelijk met onbetrouwbare modellen."

Krachtige experimentele tools zoals NSLS-II maken meer ingewikkelde experimenten mogelijk. Maar ironisch genoeg, sommige van de nieuwe technieken maken het ontdekkingsproces moeilijker.

Billinge legt uit:"Echte materialen en echte toepassingen zijn afhankelijk van fijne details van de structuur van materialen, zoals defecten, oppervlakken, en morfologie, dus experimenten die helpen om fijne structurele details te onthullen, zijn essentieel. Maar sommige van de meest interessante materialen zijn erg complex, en dan worden ze nog ingewikkelder gemaakt, apparaten met meerdere componenten. Als we deze complexe apparaten in een röntgen- of neutronenverstrooiende bundellijn plaatsen, interacties van de bundels met alle complexe componenten produceren overlappende resultaten. U zoekt kleine signalen van defecten en oppervlakken verborgen in een enorme achtergrond van andere informatie van de extra componenten, dat alles degradeert de nuttige informatie."

Tegelijkertijd, de complexiteit van de modellen die de wetenschappers proberen te bouwen om deze materialen te begrijpen, neemt ook toe, dus ze hebben meer informatie nodig over die essentiële details om in het model in te voeren, niet minder. Het oplossen van deze problemen betrouwbaarheid, gezien alle onzekerheden, vereist geavanceerde wiskundige benaderingen en high-performance computing, daarom werken Simon en zijn medewerkers samen met ASCR aan een tweeledige aanpak om het proces te verbeteren.

Aan de invoerzijde, ze combineren resultaten van meerdere experimenten - röntgenverstrooiing, neutronenverstrooiing, en ook theorie. Aan de uitvoerzijde, de wetenschappers proberen de dimensionaliteit van het model te verminderen. Billinge legde uit dat dit vergelijkbaar is met de compressie die een mp3-muziekbestand maakt door niet-essentiële informatie te verwijderen waarvan de meeste mensen niet zouden merken dat deze ontbreekt.

"Als we de complexiteit verminderen om de input die nodig is om het probleem oplosbaar te maken te minimaliseren, we kunnen het door krachtige, krachtige computers laten lopen die geavanceerde wiskundige methoden gebruiken die zijn afgeleid van de informatietheorie, onzekerheid kwantificering, en andere data-analysetechnieken om alle details te doorzoeken, " zei hij. De wiskundige algoritmen kunnen de aanvullende informatie uit de verschillende experimenten weer bij elkaar brengen - een beetje zoals de gelijkenis over de blinde mannen die verschillende delen van een olifant verkennen, maar nu delen en combineren ze hun resultaten - en gebruiken het om de complexe materiaalstructuur te voorspellen.

"Vergelijkbaar met een mp3-bestand, er is wat ontbrekende informatie in deze modellen. Maar met de juiste weergave kan het goed genoeg zijn om voorspellende waarde te hebben en ons in staat te stellen nieuwe materialen te ontwerpen, ' zei Billinge.