Forskere bruger kunstige neurale netværk til at forudsige nye stabile materialer

Kunstige neurale netværk - algoritmer inspireret af forbindelser i hjernen - har "lært" at udføre en række forskellige opgaver, fra fodgængerregistrering i selvkørende biler, til at analysere medicinske billeder, at oversætte sprog. Nu, forskere ved University of California San Diego træner kunstige neurale netværk til at forudsige nye stabile materialer.

"At forudsige materialers stabilitet er et centralt problem i materialevidenskab, fysik og kemi, " sagde seniorforfatter Shyue Ping Ong, en nanoingeniørprofessor ved UC San Diego Jacobs School of Engineering. "På den ene side, du har traditionel kemisk intuition såsom Linus Paulings fem regler, der beskriver stabilitet for krystaller i form af radius og pakning af ioner. På den anden, du har dyre kvantemekaniske beregninger til at beregne den energi, der opnås ved at danne en krystal, som skal udføres på supercomputere. Det, vi har gjort, er at bruge kunstige neurale netværk til at bygge bro mellem disse to verdener."

Ved at træne kunstige neurale netværk til at forudsige en krystals dannelsesenergi ved hjælp af kun to input – elektronegativitet og ionradius af de konstituerende atomer – har Ong og hans team på Materials Virtual Lab udviklet modeller, der kan identificere stabile materialer i to klasser af krystaller kendt som granater. og perovskitter. Disse modeller er op til 10 gange mere nøjagtige end tidligere maskinlæringsmodeller og er hurtige nok til effektivt at screene tusindvis af materialer i løbet af få timer på en bærbar computer. Holdet beskriver arbejdet i et papir offentliggjort 18. september i Naturkommunikation .

Granater og perovskiter bruges i LED-lys, genopladelige lithium-ion batterier, og solceller. Disse neurale netværk har potentialet til i høj grad at accelerere opdagelsen af ​​nye materialer til disse og andre vigtige applikationer, " bemærkede første forfatter Weike Ye, en kemi-ph.d. studerende i Ongs Virtual Lab for materialer.

Holdet har gjort deres modeller offentligt tilgængelige via en webapplikation på http://crystals.ai. Dette gør det muligt for andre mennesker at bruge disse neurale netværk til at beregne dannelsesenergien af ​​enhver granat- eller perovskitsammensætning i farten.

Forskerne planlægger at udvide anvendelsen af ​​neurale netværk til andre krystalprototyper såvel som andre materialeegenskaber.