Design af nye materialer ud fra små data

Det er altid svært at finde nye funktionelle materialer. Men at søge efter meget specifikke ejendomme blandt en relativt lille familie af kendte materialer er endnu vanskeligere.

Men et team fra Northwestern Engineering og Los Alamos National Laboratory fandt en løsning. Gruppen udviklede en ny arbejdsgang, der kombinerer maskinlæring og tæthedsfunktionelle teoriberegninger for at skabe designretningslinjer for nye materialer, der udviser nyttige elektroniske egenskaber, såsom ferroelektricitet og piezoelektricitet.

Få lagdelte materialer har disse kvaliteter i visse geometrier - afgørende for at udvikle løsninger til elektronik, meddelelse, og energiproblemer - hvilket betyder, at der var meget få data, hvorfra retningslinjerne kunne formuleres ved hjælp af traditionelle forskningsmetoder.

"Når andre leder efter nye materialer, typisk ser de på steder, hvor de har en masse data fra lignende materialer. Det er ikke nødvendigvis let på nogen måde, men vi ved, hvordan man destillerer information fra store datasæt, "sagde James M. Rondinelli, adjunkt i materialevidenskab og teknik på McCormick School of Engineering. "Når du ikke har mange oplysninger, at lære af dataene bliver et vanskeligt problem. "

Forskningen er beskrevet i papiret "Læring fra data til design af funktionelle materialer uden inversionssymmetri, "vises i 17. februar, 2017, udgave af Naturkommunikation . Prasanna Balachandran fra Los Alamos National Lab i New Mexico er avisens medforfatter. Joshua Young, en tidligere kandidatstuderende i Rondinellis laboratorium, og Turab Lookman, seniorforsker ved Los Alamos, også bidraget.

Understøttet af midler fra National Science Foundation og Laboratory Directed Research and Development Program gennem Los Alamos, Rondinellis gruppe fokuserede på en klasse af todimensionale komplekse oxider-eller Ruddlesden-Popper-oxider. Disse materialer udviser mange teknologi-aktiverende egenskaber, såsom ferroelektricitet og piezoelektricitet, og kan forbindes med traditionelle halvledermaterialer, der findes i nutidens elektroniske enheder.

"I denne familie, datasættet er ubehageligt. I øjeblikket, der er kun omkring 10 til 15 materialer, der kendes med de ønskede egenskaber, "Sagde Rondinelli." Dette er ikke meget data at arbejde med. Traditionelt bruges datavidenskab til big data -problemer, hvor der er mindre behov for domænekendskab. "

"På trods af problemets små datakarakter, "Tilføjede Balachandran, "vores tilgang fungerede, fordi vi var i stand til at kombinere vores forståelse af disse materialer (domænekendskab) med dataene for at informere maskinlæringen."

Derfor, gruppen begyndte at opbygge en database over kendte materialer og bruge maskinlæring, et underfelt inden for datalogi, der bygger algoritmer, der er i stand til at lære af data og derefter bruge den læring til at lave bedre forudsigelser. "Med maskinlæring, vi er i stand til at identificere kemiske sammensætninger, der sandsynligvis er kandidater til det materiale, du vil udvikle, " han sagde.

Af de mere end 3, 000 mulige materialer undersøgt, data science tilgang fandt mere end 200 med lovende kandidater. Næste, teamet anvendte flere former for strenge kvantemekaniske beregninger. Dette vurderede atomstrukturer af de potentielle materialer og kontrollerede deres stabilitet.

"Vi spekulerede på:Ville materialet have den forudsagte struktur? Har det elektrisk polarisering? Kan det laves i et laboratorium?" Tilføjede Rondinelli.

Dette arbejde indsnævrede mulighederne til 19, som blev anbefalet til øjeblikkelig eksperimentel syntese. Alligevel er der sandsynligvis mange flere muligheder blandt de 200 kandidater.

Typisk, ved udvikling af nye materialer, antallet af muligheder er for stort til at udforske og udvikle hver enkelt. Processen med screening af potentielle materialer er meget dyr, og forskere skal være selektive i deres investeringer.

"Vores arbejde har potentiale til at hjælpe med at spare enorme mængder tid og ressourcer, "Sagde Balachandran." I stedet for at udforske alle mulige materialer, kun de materialer, der har potentiale til at være lovende, vil blive anbefalet til eksperimentel undersøgelse. "