Wetenschappers ontdekken in snel tempo nieuwe tweedimensionale materialen, maar ze weten niet altijd meteen wat die materialen kunnen.

Onderzoekers van de Brown School of Engineering van Rice University zeggen dat ze er snel achter kunnen komen door basisdetails van hun structuren door te geven aan 'deep learning'-agenten die de kracht hebben om de eigenschappen van de materialen in kaart te brengen. Beter nog, de agenten kunnen snel materialen modelleren die wetenschappers willen maken om het 'bottom-up'-ontwerp van 2D-materialen te vergemakkelijken.

Rouzbeh Shahsavari, een assistent-professor civiele en milieutechniek, en Rice afgestudeerde student Prabhas Hundi verkende de mogelijkheden van neurale netwerken en meerlaagse perceptrons die minimale gegevens uit de gesimuleerde structuren van 2D-materialen halen en "redelijk nauwkeurige" voorspellingen doen van hun fysieke kenmerken, zoals kracht, zelfs nadat ze zijn beschadigd door straling en hoge temperaturen.

Eenmaal getraind, Shahsavari zei, deze middelen kunnen worden aangepast om nieuwe 2D-materialen te analyseren met slechts 10 procent van hun structurele gegevens. Dat zou een analyse van de sterke punten van het materiaal opleveren met een nauwkeurigheid van ongeveer 95 procent, hij zei.

"Dit suggereert dat transfer learning (waarbij een diepgaand lerend algoritme dat op het ene materiaal is getraind, kan worden toegepast op het andere) een potentiële game-changer is in benaderingen voor materiaalontdekking en karakterisering, ’ suggereerden de onderzoekers.

De resultaten van hun uitgebreide tests op grafeen en hexagonaal boornitride verschijnen in het tijdschrift Klein .

Sinds de ontdekking van grafeen in 2004, atoomdikke materialen zijn aangeprezen vanwege hun sterkte en het bereik van elektronische eigenschappen voor composieten en elektronica. Omdat hun atomaire rangschikkingen een aanzienlijke invloed hebben op hun eigenschappen, onderzoekers gebruiken vaak moleculaire dynamica-simulaties om de structuren van nieuwe 2D-materialen te analyseren nog voordat ze proberen ze te maken.

Shahsavari zei dat deep learning een aanzienlijke snelheidsboost biedt ten opzichte van dergelijke traditionele simulaties van 2D-materialen en hun kenmerken, waardoor berekeningen die nu dagen supercomputertijd in beslag nemen, in uren worden uitgevoerd.

"Omdat we onze structuur-eigenschappenkaarten kunnen bouwen met slechts een fractie van de gegevens van grafeen- of boornitride-moleculaire dynamica-simulaties, we zien een orde van grootte minder rekentijd om een ​​volledig gedrag van het materiaal te krijgen, " hij zei.

Shahsavari zei dat het laboratorium besloot grafeen en hexagonaal boornitride te bestuderen vanwege hun hoge tolerantie voor verslechtering onder hoge temperaturen en in stralingsrijke omgevingen. belangrijke eigenschappen voor materialen in ruimtevaartuigen en kerncentrales. Omdat de Shahsavari-groep al meer dan 11 had uitgevoerd, 000 stralingscascadeschade moleculaire dynamica-simulaties voor een ander artikel over 2D-materialen, ze hadden een stimulans om te zien of ze hun resultaten met een veel snellere methode konden reproduceren.

Ze voerden duizenden 'deep learning'-simulaties uit op 80 combinaties van straling en temperatuur voor hexagonaal boornitride en 48 combinaties voor grafeen, elke combinatie raken met 31 willekeurige doses gesimuleerde straling. Voor sommigen, de onderzoekers trainden de deep learning-agent met maximaal 45 procent van de gegevens uit hun onderzoek naar moleculaire dynamica, het bereiken van een nauwkeurigheid tot 97 procent bij het voorspellen van defecten en hun effecten op de eigenschappen van het materiaal.

Opgeleide agenten aanpassen aan verschillende materialen, ze vonden, slechts ongeveer 10 procent van de gesimuleerde gegevens nodig, het proces aanzienlijk versnellen met behoud van een goede nauwkeurigheid.

"We hebben geprobeerd de bijbehorende reststerkten van de materialen te achterhalen na blootstelling aan extreme omstandigheden, samen met alle gebreken, "zei hij. "Zoals verwacht, wanneer de gemiddelde temperatuur of de straling te hoog was, de reststerkte werd vrij laag. Maar die trend was niet altijd duidelijk."

In sommige gevallen, hij zei, de gecombineerde hogere straling en hogere temperaturen maakten een materiaal robuuster in plaats van minder, en het zou onderzoekers helpen om dat te weten voordat ze een fysiek product maken.

"Onze diepgaande leermethode voor de ontwikkeling van structuur-eigenschapskaarten zou een nieuw raamwerk kunnen openen om het gedrag van 2D-materialen te begrijpen, hun niet-intuïtieve overeenkomsten en anomalieën ontdekken, en ze uiteindelijk beter te ontwerpen voor toepassingen op maat, ' zei Shahsavari.