Kombineret datatilgang kan fremskynde udviklingen af ​​nye materialer

Forskere i Japan har udviklet en tilgang, der bedre kan forudsige materialers egenskaber ved at kombinere eksperimentelle data og beregningsdata med høj kapacitet sammen med maskinlæring. Tilgangen kunne hjælpe med at fremskynde udviklingen af ​​nye materialer, og blev offentliggjort i tidsskriftet Videnskab og teknologi af avancerede materialer .

Forskere bruger eksperimenter med høj gennemstrømning, involverer et stort antal parallelle eksperimenter, for hurtigt at kortlægge forholdet mellem kompositionerne, strukturer, og egenskaber af materialer fremstillet af varierende mængder af de samme grundstoffer. Dette hjælper med at fremskynde udvikling af nyt materiale, men kræver normalt dyrt udstyr.

Høj gennemløbsberegning, på den anden side, bruger beregningsmodeller til at bestemme et materiales egenskaber baseret på dets elektrontæthed, et mål for sandsynligheden for, at en elektron optager ekstremt lille plads. Det er hurtigere og billigere end de fysiske forsøg, men meget mindre præcist.

Materialeinformatikekspert Yuma Iwasaki fra Central Research Laboratories i NEC Corporation, sammen med kolleger i Japan, kombinerede de to high-throughput metoder, tager det bedste fra begge verdener, og parret dem med maskinlæring for at strømline processen.

"Vores metode har potentiale til præcist og hurtigt at forudsige materialeegenskaber og dermed forkorte udviklingstiden for forskellige materialer, " siger Iwasaki.

De testede deres tilgang ved hjælp af en 100 nanometer tynd film lavet af jern, kobolt og nikkel spredes på et safirunderlag. Forskellige mulige kombinationer af de tre elementer blev fordelt langs filmen. Disse "sammensatte smøreprøver" bruges til at teste mange lignende materialer i en enkelt prøve.

Holdet udførte først en simpel højgennemstrømningsteknik på prøven kaldet kombinatorisk røntgendiffraktion. De resulterende røntgendiffraktionskurver giver detaljerede oplysninger om den krystallografiske struktur, kemisk sammensætning, og fysiske egenskaber ved prøven.

Holdet brugte derefter maskinlæring til at nedbryde disse data i individuelle røntgendiffraktionskurver for hver kombination af de tre elementer. Høj gennemløbsberegninger hjalp med at definere de magnetiske egenskaber for hver kombination. Endelig, beregninger blev udført for at reducere forskellen mellem de eksperimentelle data og beregningsdata.

Deres tilgang tillod dem med succes at kortlægge "Kerr-rotationen" af jernet, kobolt, og spredning af nikkelsammensætning, repræsenterer de ændringer, der sker for lys, når det reflekteres fra dets magnetiserede overflade. Denne egenskab er vigtig for en række applikationer inden for fotonik og halvlederenheder.

Forskerne siger, at deres tilgang stadig kan forbedres, men at som det står, det gør det muligt at kortlægge de magnetiske momenter af sammensætningsspredninger uden behov for at ty til vanskeligere og dyrere eksperimenter med høj kapacitet.