Bliv begejstret af neurale netværk

Forskere ved Institute of Industrial Science, University of Tokyo (UTokyo-IIS), brugte kunstig intelligens til hurtigt at udlede elektronernes ophidsede tilstand i materialer. Dette arbejde kan hjælpe materialeforskere med at studere strukturer og egenskaber ved ukendte prøver og hjælpe med design af nye materialer.

Spørg enhver kemiker, og de vil fortælle dig, at materialers strukturer og egenskaber primært bestemmes af elektronerne, der kredser omkring molekylerne, der udgør det. For at være specifik, de yderste elektroner, som er mest tilgængelige for deltagelse i binding og kemiske reaktioner, er de mest kritiske. Disse elektroner kan hvile i deres laveste energi "grundtilstand, "eller blive midlertidigt sparket ind i en højere bane kaldet en ophidset tilstand. At have evnen til at forudsige ophidsede tilstande fra jordtilstande ville gå langt for at hjælpe forskere med at forstå strukturer og egenskaber ved materialeprøver, og endda designe nye.

Nu, forskere ved UTokyo-IIS har udviklet en algoritme til maskinlæring til netop dette. Ved hjælp af kraften i kunstige neurale netværk - som allerede har vist sig nyttige til at beslutte, om din seneste kreditkorttransaktion var svigagtig eller hvilken film der skal anbefales streaming - viste teamet, hvordan en kunstig intelligens kan trænes til at udlede det spændte tilstandsspektrum ved at kende grundtilstande af materialet.

"Spændte stater har normalt atomiske eller elektroniske konfigurationer, der adskiller sig fra deres tilsvarende jordtilstande, "siger første forfatter Shin Kiyohara. For at udføre træningen, forskerne brugte data fra kerne-elektronabsorptionsspektroskopi. I denne metode, en røntgenstråle eller elektron med høj energi bruges til at slå en kerneelektron ud, der kredser tæt på atomkernen. Derefter, kerneelektronen ophidser til ubeboede orbitaler, absorberer energien fra det højenergiske røntgen/elektron. Måling af denne energiabsorption afslører information om atomstrukturer, kemisk binding, og egenskaber ved materialer.

Det kunstige neurale netværk tog som input jordtilstandens delvise tæthed af tilstande, som let kan beregnes, og blev trænet til at forudsige de tilsvarende spændte tilstandsspektre. En af de største fordele ved at bruge neurale netværk, i modsætning til konventionelle beregningsmetoder, er evnen til at anvende resultaterne fra træningssæt til helt nye situationer.

"De mønstre, vi opdagede for et materiale, viste fremragende overførsel til andre, "siger seniorforfatter Teruyasu Mizoguchi." Denne forskning i spændte stater kan hjælpe forskere med bedre at forstå kemisk reaktivitet og materialefunktion i nye eller eksisterende forbindelser. "

Værket er udgivet i npj Computational Materials som "At lære begejstrede tilstande fra grundtilstande ved hjælp af et kunstigt neuralt netværk."