Gennembrudsværktøj forudsiger egenskaber af teoretiske materialer

Forskere ved University of North Carolina ved Chapel Hill og Duke University har skabt den første generelle metode til at bruge maskinlæring til at forudsige egenskaberne af nye metaller, keramik og andre krystallinske materialer og finde nye anvendelser for eksisterende materialer, en opdagelse, der kunne spare utallige spildte timer i trial-and-error-processen med at skabe nye og bedre materialer.

Forskere ledet af Olexandr Isayev, Ph.D., og Alexander Tropsha, Ph.D., på UNC Eshelman School of Pharmacy brugte data om cirka 60, 000 unikke materialer fra National Institute of Standards and Technologys uorganiske krystalstrukturdatabase for at skabe en ny metode, som de kalder Properties Labeled Materials Fragments.

Brug af maskinlæring til at analysere og modellere eksisterende krystalstrukturer, PLMF-metoden er i stand til at forudsige egenskaberne af nye materialer foreslået af forskere og ingeniører. Værktøjet var endda i stand til at udfylde manglende værdier for egenskaber af materialer i NIST-databasen, som aldrig var blevet testet eksperimentelt.

"Teknologi er ofte drevet af opdagelsen af ​​nye materialer, men processen med at opdage disse materialer har altid været ret tilfældig, " sagde Tropsha. "Det nye værktøj anvender den data- og vidensdrevne tilgang, vi bruger i de farmaceutiske videnskaber til at designe lægemidler. Fordi at skabe nye materialer tager utrolig meget tid og kræfter, som ofte ender i skuffelse, vores PLMF-værktøj giver materialeforskere mulighed for at teste en ny idé, før de overhovedet løfter en finger for at syntetisere den."

Tropsha er K.H. Lee Distinguished Professor ved skolen og direktør for Laboratory for Molecular Modeling. Isayev er forskningsassistent. Deres arbejde blev udgivet i Naturkommunikation , og PLMF-værktøjet er offentligt tilgængeligt som en brugervenlig webapplikation på http://aflow.org/aflow-ml.

PLMF-metoden virker ved at skabe "fingeraftryk" fra strukturen af ​​krystallerne, der omfatter de mindste enheder af uorganiske materialer som keramik, metaller og metallegeringer. Kombinationen af ​​fingeraftrykkene med maskinlæring tillod skabelsen af ​​universelle modeller, der var i stand til nøjagtigt at forudsige otte kritiske elektroniske og termomekaniske egenskaber af stort set ethvert uorganisk krystallinsk materiale. Egenskaberne omfatter ledningsevne, stivhed og kompressibilitet, varmeoverførsel og reaktion på temperaturændringer, og teamet planlægger at inkorporere flere egenskaber, efterhånden som de indsamler flere data, sagde Isayev.

"I mange praktiske projekter, folk kender den række af værdier, de ønsker for en bestemt ejendom, " sagde Isayev. "Vi kan udnytte, hvad vi ved om disse materialer og kyndig maskinlæring til hurtigt at screene potentielle materialer for den rigtige ejendom. Forskere kan hurtigt indsnævre kandidatmaterialer og undgå mange uvedkommende og komplekse beregninger. Dette sparer penge, tid og beregningsressourcer."

I den første praktiske anvendelse til maskinlæring, holdet arbejdede med adjunkt Jim Cahoon, Ph.D., i UNC Department of Chemistry for at designe et nyt elektrodemateriale til en type billige solceller. Det i øjeblikket anvendte nikkeloxid, er ikke særlig effektiv, giftig og kræver organiske opløsningsmidler for at virke i cellen.

Forskere screenede næsten 50, 000 kendte uorganiske forbindelser og identificerede blytitanat som det mest lovende materiale, og efterfølgende test bekræftede det. Enhederne, der anvender blytitanat, udviste den bedste ydeevne i vandig opløsning, at tillade et skifte væk fra opløsningsmidler til en vandbaseret løsning, der kunne hjælpe med at reducere omkostningerne og samtidig være mere miljøvenlig.

"Blytitanat ville sandsynligvis ikke have været det første valg for de fleste materialeforskere, fordi dets struktur er så ulig nikkeloxid, " sagde Isayev. "Materialer afledt af jern, kobolt eller kobber ville være mere tilbøjelige til at blive overvejet, fordi de er mere kemisk ligner nikkel. PLMF og maskinlæring fandt en enkel og ny løsning, der sparede utallige timers prøve-og-fejl-søgning."