machinaal leren, een veld gericht op het trainen van computers om patronen in gegevens te herkennen en nieuwe voorspellingen te doen, helpt artsen om ziekten nauwkeuriger te diagnosticeren en aandelenanalisten voorspellen de opkomst en ondergang van de financiële markten. En nu hebben materiaalwetenschappers een nieuwe belangrijke toepassing voor machinaal leren ontwikkeld:ze helpen de ontdekking en ontwikkeling van nieuwe materialen te versnellen.

Onderzoekers van het Center for Nanoscale Materials en de Advanced Photon Source, beide US Department of Energy (DOE) Office of Science User Facilities bij DOE's Argonne National Laboratory, kondigde het gebruik van machine learning-tools aan om de fysieke, chemische en mechanische eigenschappen van nanomaterialen.

In een studie gepubliceerd in The Journal of Physical Chemistry Letters , een team van onderzoekers onder leiding van Argonne, computerwetenschapper Subramanian Sankaranarayanan, beschreef hun gebruik van machine learning-tools om het eerste atomaire model te creëren dat nauwkeurig de thermische eigenschappen van stanene voorspelt, een tweedimensionaal (2-D) materiaal bestaande uit een één atoom dik vel tin.

De studie onthult voor het eerst een benadering van materiaalmodellering die machine learning toepast en nauwkeuriger is in het voorspellen van materiaaleigenschappen in vergelijking met eerdere modellen.

"Voorspellende modellering is vooral belangrijk voor nieuw ontdekte materialen, om te leren waar ze goed voor zijn, hoe ze reageren op verschillende stimuli en ook hoe je het materiaal effectief kunt laten groeien voor commerciële toepassingen - en dat allemaal voordat je investeert in dure productie, " zei Argonne postdoctoraal onderzoeker Mathew Cherukara, een van de hoofdauteurs van het onderzoek.

traditioneel, materiaalmodellen op atomaire schaal hebben jaren geduurd om te ontwikkelen, en onderzoekers moesten grotendeels op hun eigen intuïtie vertrouwen om de parameters te identificeren waarop een model zou worden gebouwd. Maar door een machine learning-benadering te gebruiken, Cherukara en collega-onderzoekers waren in staat om de behoefte aan menselijke input te verminderen, terwijl de tijd om een ​​nauwkeurig model te maken tot een paar maanden werd verkort.

"We voeren gegevens in die zijn verkregen uit experimentele of dure op theorie gebaseerde berekeningen, en vraag dan de machine, 'Kun je me een model geven dat al deze eigenschappen beschrijft?'" zei Badri Narayanan, een postdoctoraal onderzoeker van Argonne en een andere hoofdauteur van de studie. "We kunnen ook vragen stellen als:'Kunnen we de structuur optimaliseren, defecten veroorzaken of het materiaal aanpassen om specifieke gewenste eigenschappen te krijgen?'"

In tegenstelling tot de meeste eerdere modellen, het machine learning-model kan de vorming van bindingen en het verbreken van gebeurtenissen nauwkeurig vastleggen; dit levert niet alleen betrouwbaardere voorspellingen op van materiaaleigenschappen (bijv. thermische geleidbaarheid), maar stelt onderzoekers ook in staat om chemische reacties nauwkeurig vast te leggen en beter te begrijpen hoe specifieke materialen kunnen worden gesynthetiseerd.

Een ander voordeel van het bouwen van modellen met behulp van machine learning is dat het proces niet materiaalafhankelijk is, wat betekent dat onderzoekers naar veel verschillende klassen materialen kunnen kijken en machine learning kunnen toepassen op verschillende andere elementen en hun combinaties.

Het rekenmodel Cherukara, Narayanan en hun collega's hebben beschreven stanene, een structuur van tin die de laatste jaren in het oog is gevallen van onderzoekers. Interesse in staneen weerspiegelt een groeiende interesse in 2D-materialen die voortkomen uit de ontdekking van grafeen in 2004, een enkellaags arrangement van koolstof met aantrekkelijke elektronische, thermische en mechanische eigenschappen. Hoewel stanene verre van commercialisering is, onderzoekers vinden het veelbelovend voor toepassingen in thermisch beheer (de regulering van warmte) in sommige apparaten op nanoschaal.

De studie, " Ab Initio -Based Bond Order Potentieel om lage thermische geleidbaarheid van stanene nanostructuren te onderzoeken, " verscheen in de The Journal of Physics Chemistry Letters .