Forskere bruger maskinlæring til hurtigere at analysere centrale kondensatormaterialer

Kondensatorer, i betragtning af deres høje energiudbytte og genopladningshastighed, kunne spille en stor rolle i at drive fremtidens maskiner, fra elbiler til mobiltelefoner.

Men den største forhindring for disse energilagringsenheder er, at de lagrer meget mindre energi end et batteri af lignende størrelse.

Forskere ved Georgia Institute of Technology tackler dette problem på en ny måde, ved hjælp af maskinlæring til i sidste ende at finde måder at bygge mere kapable kondensatorer på.

Metoden, som blev beskrevet i 18. februar i journalen npj Computational Materials og sponsoreret af U.S.Office of Naval Research, går ud på at lære en computer at analysere på atomniveau to materialer, der udgør nogle kondensatorer:aluminium og polyethylen.

Forskerne fokuserede på at finde en måde til hurtigere at analysere den elektroniske struktur af disse materialer, på udkig efter funktioner, der kan påvirke ydeevnen.

"Elektronikindustrien ønsker at kende de elektroniske egenskaber og strukturen for alle de materialer, de bruger til at producere enheder, herunder kondensatorer, "sagde Rampi Ramprasad, en professor på School of Materials Science and Engineering.

Tag et materiale som polyethylen:det er en meget god isolator med et stort båndgab - et energiområde, der er forbudt for elektriske ladningsbærere. Men hvis det har en defekt, uønskede ladningsbærere er tilladt ind i båndgabet, reducere effektiviteten, han sagde.

"For at forstå, hvor fejlene er, og hvilken rolle de spiller, vi skal beregne hele atomstrukturen, noget, der hidtil har været ekstremt svært, sagde Ramprasad, der har Michael E. Tennenbaum Family Chair og er Georgia Research Alliance Eminent Scholar in Energy Sustainability. "Den nuværende metode til analyse af disse materialer ved hjælp af kvantemekanik er så langsom, at den begrænser, hvor meget analyse der kan udføres på et givet tidspunkt."

Ramprasad og hans kolleger, der specialiserer sig i at bruge maskinlæring til at hjælpe med at udvikle nye materialer, brugte en stikprøve af data skabt ud fra en kvantemekanisk analyse af aluminium og polyethylen som input til at lære en kraftfuld computer at simulere denne analyse.

Analyse af et elektronisk struktur af et materiale med kvantemekanik indebærer løsning af Kohn-Sham ligning af densitet funktionel teori, som genererer data om bølgefunktioner og energiniveauer. Disse data bruges derefter til at beregne systemets samlede potentielle energi og atomkræfter.

Brug af den nye machine learning -metode giver lignende resultater otte størrelsesordener hurtigere end at bruge den konventionelle teknik baseret på kvantemekanik.

"Denne hidtil usete hastighed i beregningsmuligheder vil give os mulighed for at designe elektroniske materialer, der er bedre end det, der i øjeblikket er derude, "Sagde Ramprasad." Grundlæggende kan vi sige, 'Her er fejl ved dette materiale, der virkelig vil reducere effektiviteten af ​​dets elektroniske struktur.' Og når vi kan behandle sådanne aspekter effektivt, vi kan bedre designe elektroniske enheder. "

Mens undersøgelsen fokuserede på aluminium og polyethylen, maskinlæring kunne bruges til at analysere den elektroniske struktur af en lang række materialer. Ud over at analysere elektronisk struktur, andre aspekter af materialestruktur, der nu analyseres ved kvantemekanik, kan også fremskyndes af maskinlæringsmetoden, Sagde Ramprasad.

"Dels valgte vi aluminium og polyethylen, fordi de er komponenter i en kondensator, men det gav os også mulighed for at demonstrere, at du kan bruge denne metode til vidt forskellige materialer, såsom metaller, der er ledere og polymerer, der er isolatorer, "Sagde Ramprasad.

Den hurtigere behandling, der tillades af maskinindlæringsmetoden, ville også sætte forskere i stand til hurtigere at simulere, hvordan ændringer af et materiale vil påvirke dets elektroniske struktur, potentielt afslører nye måder at forbedre dens effektivitet.