Kunstig intelligens identificerer den optimale materialeformel

Nanostrukturerede lag kan prale af utallige potentielle egenskaber - men hvordan kan den bedst egnede identificeres uden langsigtede eksperimenter? Et team fra Materials Discovery Department ved Ruhr-Universität Bochum (RUB) har vovet sig en genvej:ved hjælp af en algoritme til maskinlæring, forskerne var i stand til pålideligt at forudsige egenskaberne af et sådant lag. Deres rapport blev offentliggjort i det nye tidsskrift Kommunikationsmaterialer fra 26. marts 2020.

Porøs eller tæt, søjler eller fibre

Under fremstillingen af ​​tynde film, talrige kontrolvariable bestemmer overfladens tilstand og, følgelig, dens egenskaber. Relevante faktorer omfatter lagets sammensætning samt procesbetingelser under dets dannelse, såsom temperatur. Alle disse elementer tilsammen resulterer i dannelsen af ​​enten et porøst eller et tæt lag under belægningsprocessen, med atomer, der kombinerer for at danne søjler eller fibre. "For at finde de optimale parametre for en applikation, det plejede at være nødvendigt at udføre utallige forsøg under forskellige forhold og med forskellige sammensætninger; dette er en utrolig kompleks proces, " forklarer professor Alfred Ludwig, Leder af Materials Discovery and Interfaces Team.

Fundene fra sådanne eksperimenter er såkaldte strukturzonediagrammer, hvorfra overfladen af ​​en bestemt sammensætning som følge af bestemte procesparametre kan aflæses. "Erfarne forskere kan efterfølgende bruge et sådant diagram til at identificere den bedst egnede placering for en applikation og udlede de nødvendige parametre for at producere det passende lag, " påpeger Ludwig. "Hele processen kræver en enorm indsats og er meget tidskrævende."

Algoritme forudsiger overflade

Stræber efter at finde en genvej til det optimale materiale, holdet udnyttede kunstig intelligens, mere præcist maskinlæring. Til denne ende, Ph.d. forsker Lars Banko, sammen med kolleger fra det tværfaglige center for avanceret materialesimulering på RUB, Icams for korte, ændret en såkaldt generativ model. Han trænede derefter denne algoritme til at generere billeder af overfladen af ​​et grundigt undersøgt modellag af aluminium, krom og nitrogen ved hjælp af specifikke procesparametre, for at forudsige, hvordan laget ville se ud under de respektive forhold.

"Vi fodrede algoritmen med en tilstrækkelig mængde eksperimentelle data til at træne den, men ikke med alle kendte data, " understreger Lars Banko. forskerne var i stand til at sammenligne resultaterne af beregningerne med eksperimenterne og analysere, hvor pålidelig dens forudsigelse var. Resultaterne var afgørende:"Vi kombinerede fem parametre og var i stand til at se i fem retninger samtidigt ved hjælp af algoritmen - uden at skulle udføre nogen eksperimenter overhovedet, " skitserer Alfred Ludwig. "Vi har således vist, at maskinlæringsmetoder kan overføres til materialeforskning og kan være med til at udvikle nye materialer til specifikke formål."