AI tackler udfordringen med forudsigelse af materialestruktur

Forskere har designet en maskinlæringsmetode, der kan forudsige strukturen af ​​nye materialer med fem gange effektiviteten af ​​den nuværende standard, hvilket fjerner en nøgleblokering i udviklingen af ​​avancerede materialer til applikationer som energilagring og solcelleanlæg.

Forskerne fra Cambridge og Linkoping Universiteter har designet en måde at forudsige strukturen af ​​materialer givet dets konstituerende elementer. Resultaterne er rapporteret i tidsskriftet Science Advances .

Arrangementet af atomer i et materiale bestemmer dets egenskaber. Evnen til at forudsige dette arrangement beregningsmæssigt for forskellige kombinationer af elementer uden at skulle lave materialet i laboratoriet, ville gøre det muligt for forskere hurtigt at designe og forbedre materialer. Dette baner vejen for fremskridt såsom bedre batterier og solceller.

Der er dog mange måder, hvorpå atomer kan "pakke" ind i et materiale:nogle pakninger er stabile, andre er ikke. At bestemme stabiliteten af ​​en pakning er beregningsintensivt, og det er ikke praktisk at beregne ethvert muligt arrangement af atomer for at finde den bedste. Dette er en væsentlig flaskehals inden for materialevidenskab.

"Denne udfordring med forudsigelse af materialestruktur ligner proteinfoldningsproblemet i biologi," sagde Dr. Alpha Lee fra Cambridges Cavendish Laboratory, som var med til at lede forskningen. "Der er mange mulige strukturer, som et materiale kan 'folde' ind i. Bortset fra, at det materialevidenskabelige problem måske er endnu mere udfordrende end biologi, fordi det betragter et meget bredere sæt af elementer."

Lee og hans kolleger udviklede en metode baseret på maskinlæring, som med succes tackler denne udfordring. De udviklede en ny måde at beskrive materialer ved at bruge symmetriens matematik til at reducere de uendelige måder, som atomer kan pakke ind i materialer til et begrænset sæt muligheder. De brugte derefter maskinlæring til at forudsige den ideelle pakning af atomer, givet grundstofferne og deres relative sammensætning i materialet.

Deres metode forudsiger nøjagtigt strukturen af ​​materialer, der holder lovende til piezoelektriske og energihøstapplikationer, med over fem gange effektiviteten af ​​nuværende metoder. Deres metode kan også finde tusindvis af nye og stabile materialer, som aldrig er blevet fremstillet før, på en måde, der er beregningseffektiv.

"Antallet af materialer, der er mulige, er fire til fem størrelsesordener større end det samlede antal materialer, som vi har lavet siden antikken," sagde medforfatter Dr. Rhys Goodall, også fra Cavendish Laboratory. "Vores tilgang giver en effektiv beregningsmetode, der kan 'mine' nye stabile materialer, der aldrig er blevet fremstillet før. Disse hypotetiske materialer kan derefter screenes ved beregning for deres funktionelle egenskaber."

Forskerne bruger nu deres maskinlæringsplatform til at finde nye funktionelle materialer såsom dielektriske materialer. De integrerer også andre aspekter af eksperimentelle begrænsninger i deres tilgang til materialeopdagelse. + Udforsk yderligere

En model trænet til at forudsige spektroskopiske profiler hjælper med at dechifrere strukturen af ​​materialer