Når menneske og maskine er enige om iridiumoxid

Et menneskeligt forskerhold og en maskinlæringsalgoritme har fundet ud af, at vi er nødt til at genoverveje meget af det, vi ved om iridiumoxid.

Iridiumoxid er en fremragende katalysator til elektrokemiske reaktioner, og bruges typisk til produktion af energibærere som brint fra vand. Nu viser det sig, at den hidtil udførte forskning i iridiumoxid har været baseret på en forkert grundantagelse:Arrangementet af atomerne på overfladen er helt anderledes end tidligere antaget.

Den måde, hvorpå dette overraskende resultat blev bestemt, giver et fristende første glimt af, hvordan forskning kan udføres i fremtiden:et samarbejde mellem et menneskeligt forskerhold og kunstig intelligens analyserede det samme problem, og kom til samme konklusion. Da forskerne ved TU Wien og TU München nåede frem til det samme resultat på samme tid, de offentliggjorde deres resultater i fællesskab i tidsskriftet Fysiske anmeldelsesbreve .

Hvordan skærer man en krystal?

"En krystal kan have forskellige overflader med meget forskellige egenskaber, " forklarede Florian Kraushofer fra prof. Ulrike Diebolds forskningsgruppe (Institute for Applied Physics, Wiens teknologiske universitet). "Lad os forestille os, at vi har en krystal, der består af kubeformede celler. Hvis vi skærer igennem den, ret forskellige overflader opstår afhængigt af retningen vi skærer."

Hvis du skærer nøjagtigt i retning af terningcellerne, overfladen består kun af firkanter. Hvis du skærer terningcellerne diagonalt, dette skaber også en regelmæssig overflade, men med et andet arrangement.

"Når en krystal vokser langsomt, det danner normalt den overflade, der er mest gunstig med hensyn til energi, " siger Kraushofer. Ikke alle mulige atomarrangementer er dog stabile, og i nogle tilfælde skifter eller omarrangerer atomerne på overfladen for at spare energi. "Typisk, man skal udføre meget komplekse simuleringer ved hjælp af en supercomputer for at bestemme, hvilken geometrisk konfiguration der er den mest stabile, " forklarer Kraushofer. "I tilfælde af iridiumoxid, sådanne beregninger havde vist, at den mest stabile overflade blev dannet i den såkaldte 110-retning, men vores eksperimenter viste, at der var noget galt, og at en anden overflade var mere stabil."

Maskiner laver kvantefysik

På en konference lige før corona lockdown, Ulrike Diebold mødte Karsten Reuter fra Münchens Tekniske Universitet, som også arbejder på iridiumoxid. Hans team bruger maskinlæring – dvs. teknikker fra kunstig intelligens - for bedre at beregne materialeegenskaber. De havde nøjagtig den samme overraskelse som i Wien:"Ligesom eksperimentet, maskinlæringsalgoritmerne havde forudsagt, at den stabile retning af iridiumoxidoverfladen var forskellig fra, hvad man tidligere troede, ", siger Reuter. "Så vi besluttede at se nærmere på sagen sammen."

Derefter blev der foretaget yderligere undersøgelser, herunder mere omfattende computersimuleringer, og det blev vist, at den nye struktur bestemt af eksperimentet og maskinlæringsalgoritmerne faktisk er rigtig.

Menneske og maskine:et kig ind i fremtiden

"Så nu er vi nødt til at genoverveje alle tidligere resultater om iridiumdioxid, ", siger Ulrike Diebold. "Orienteringen af ​​overfladen spiller en afgørende rolle for materialets kemiske og fysiske opførsel, og det skal medtages."

For Diebold, resultatet er også et vigtigt bevis på, at nye forskningsmetoder inden for maskinlæring kan være ekstremt værdifulde for videnskaben:"Især når det kommer til at udvikle nye materialer baseret på kvantefysik, computersimuleringer har været uundværlige i årevis - men de er ofte ekstremt komplekse, dyrt og tidskrævende", siger Ulrike Diebold. "Hvis maskinlæring kan anvendes intelligent til så komplicerede spørgsmål, det kan blive et fantastisk nyt værktøj, der vil tage materialeforskning et stort skridt fremad. Selvfølgelig, for at gøre dette muligt, vi har også brug for de bedst mulige eksperimentelle målinger. "

"Dette vil ikke erstatte menneskelig intelligens - ligesom det ikke har været i stand til at erstatte os med computersimuleringer indtil nu, " Diebold er overbevist. "Men maskinlæringsalgoritmer vil hjælpe os med at komme op med gode ideer, som vi ikke nødvendigvis selv ville have tænkt på."