De ontwikkeling van nieuwe materialen en nieuwe processen is de wereld blijven veranderen. Het M3I3-initiatief bij KAIST heeft geleid tot nieuwe inzichten in het bevorderen van materiaalontwikkeling door doorbraken in materiaalbeeldvorming te implementeren die een paradigmaverschuiving hebben veroorzaakt in de ontdekking van materialen. Het initiatief omvat de multischaalmodellering en beeldvorming van structuur- en eigenschapsrelaties en materiaalhiërarchieën in combinatie met de nieuwste materiaalverwerkingsgegevens.

Het onderzoeksteam onder leiding van professor Seungbum Hong analyseerde de materiaalonderzoeksprojecten die zijn gerapporteerd door toonaangevende wereldwijde instituten en onderzoeksgroepen, en afgeleid een kwantitatief model met behulp van machine learning met een wetenschappelijke interpretatie. Dit proces belichaamt het onderzoeksdoel van de M3I3:materialen en moleculaire modellering, In beeld brengen, Informatica en integratie.

De onderzoekers bespraken de rol van multischaalmaterialen en moleculaire beeldvorming in combinatie met machine learning en presenteerden ook een toekomstperspectief voor ontwikkelingen en de grote uitdagingen van M3I3. Door dit model te bouwen, het onderzoeksteam stelt zich voor om gewenste reeksen eigenschappen voor materialen te creëren en de optimale verwerkingsrecepten te verkrijgen om ze te synthetiseren.

"De ontwikkeling van verschillende microscopie- en diffractietools met de mogelijkheid om de structuur in kaart te brengen, eigendom, en de prestaties van materialen op multischaalniveaus en in realtime stelden ons in staat te denken dat materiaalbeeldvorming de ontdekking en ontwikkeling van materialen radicaal zou kunnen versnellen, " zegt professor Hong.

"We zijn van plan een M3I3-repository van doorzoekbare structurele en eigendomskaarten te bouwen met behulp van FAIR (Findable, Toegankelijk, interoperabel, en herbruikbare) principes om best practices te standaardiseren en de opleiding van vroege onderzoekers te stroomlijnen."

Een van de voorbeelden die de kracht van structuur-eigenschap-beeldvorming op nanoschaal laat zien, is de ontwikkeling van toekomstige materialen voor opkomende niet-vluchtige geheugenapparaten. specifiek, het onderzoeksteam richtte zich op microscopie met behulp van fotonen, elektronen, en fysieke sondes op de meerschalige structurele hiërarchie, evenals structuur-eigenschap relaties om de prestaties van geheugenapparaten te verbeteren.

"M3I3 is een algoritme voor het uitvoeren van reverse engineering van toekomstige materialen. Reverse engineering begint met het analyseren van de structuur en samenstelling van geavanceerde materialen of producten. Zodra het onderzoeksteam de prestaties van onze beoogde toekomstige materialen heeft bepaald, we moeten de kandidaat-structuren en composities kennen om de toekomstige materialen te produceren."

Het onderzoeksteam heeft een datagedreven experimenteel ontwerp gebouwd op basis van traditionele NCM (nikkel, kobalt, en mangaan) kathodematerialen. Hiermee, het onderzoeksteam breidde hun toekomstige richting uit voor het bereiken van een nog hogere afvoercapaciteit, die kan worden gerealiseerd via Li-rijke kathoden.

Echter, een van de grootste uitdagingen was de beperking van de beschikbare gegevens die de Li-rijke kathode-eigenschappen beschrijven. Om dit probleem te verminderen, de onderzoekers stelden twee oplossingen voor:ten eerste, ze zouden een door machine learning geleide datagenerator moeten bouwen voor data-augmentatie. Tweede, ze zouden een machinale leermethode gebruiken op basis van 'transfer learning'. Aangezien de NCM-kathodedatabase een gemeenschappelijk kenmerk deelt met een Li-rijke kathode, men zou kunnen overwegen om het door NCM getrainde model opnieuw te gebruiken om de Li-rijke voorspelling te ondersteunen. Met het voorgetrainde model en transfer learning, het team verwacht uitstekende voorspellingen te doen voor Li-rijke kathoden, zelfs met de kleine dataset.

Met vooruitgang in experimentele beeldvorming en de beschikbaarheid van goed opgeloste informatie en big data, samen met aanzienlijke vooruitgang in high-performance computing en een wereldwijde drang naar een algemene, samenwerkend, integratief, en on-demand onderzoeksplatform, er is een duidelijke samenloop van de vereiste capaciteiten om het M3I3-initiatief te bevorderen.

Professor Hong zei:"Zodra we erin slagen de inverse "eigenschap-structuur-verwerking" oplosser te gebruiken om kathode te ontwikkelen, anode, elektrolyt, en membraanmaterialen voor Li-ionbatterijen met hoge energiedichtheid, we zullen onze reikwijdte van materialen uitbreiden naar batterij/brandstofcellen, ruimtevaart, auto's, voedsel, medicijn, en cosmetische materialen."