Ny tilgang bestemmer optimale materialedesign med minimale data

Northwestern University-forskere har udviklet en ny beregningsmæssig tilgang til at accelerere designet af materialer, der udviser metal-isolator overgange (MIT), en sjælden klasse af elektroniske materialer, der har vist potentiale til at sætte gang i fremtidigt design og levering af hurtigere mikroelektronik og kvanteinformationssystemer – grundlæggende teknologier bag Internet of Things-enheder og store datacentre, der driver, hvordan mennesker arbejder og interagerer med andre.

Den nye strategi, et samarbejde mellem professorerne James Rondinelli og Wei Chen, integrerede teknikker fra statistisk inferens, optimeringsteori, og beregningsmaterialefysik. Tilgangen kombinerer multi-objektiv Bayesiansk optimering med latent-variable Gauss-processer for at optimere ideelle funktioner i en familie af MIT-materialer kaldet komplekse lakunære spineller.

Når forskere søger efter nye materialer, de ser typisk på steder, hvor eksisterende data om lignende materialer allerede findes. Designet af mange klasser af materialeegenskaber er blevet fremskyndet i eksisterende værker med datadrevne metoder hjulpet af datagenerering med høj kapacitet kombineret med metoder som maskinlæring.

Sådanne tilgange, imidlertid, ikke har været tilgængelig for MIT-materialer, kategoriseret efter deres evne til reversibelt at skifte mellem elektrisk ledende og isolerende tilstande. De fleste MIT-modeller er konstrueret til at beskrive et enkelt materiale, gør generering af modellerne ofte udfordrende. På samme tid, konventionelle maskinlæringsmetoder har vist begrænset forudsigelsesevne på grund af fraværet af tilgængelige data, gør design af nye MIT-materialer vanskeligt.

"Forskere forstår, hvordan man destillerer information fra store materialedatasæt, hvor de findes, og når passende funktioner er tilgængelige, " sagde Rondinelli, professor i materialevidenskab og ingeniørvidenskab og Morris E. Fine professor i materialer og fremstilling ved McCormick School of Engineering, og tilsvarende forfatter til undersøgelsen. "Men hvad gør du, når du ikke har store datasæt eller de nødvendige funktioner? Vores arbejde forstyrrer denne status quo ved at bygge prædikative og eksplorative modeller uden at kræve store datasæt eller funktioner, der starter fra et lille datasæt."

Et papir, der beskriver arbejdet, med titlen "Funktionsløs adaptiv optimering accelererer funktionelt elektronisk materialedesign, " blev offentliggjort den 6. november i tidsskriftet Gennemgang af anvendt fysik .

Forskerholdets metode, kaldet avanceret optimeringsmotor (AOE), omgår traditionelle maskinlæringsbaserede opdagelsesmodeller ved at bruge en latent variabel Gaussisk procesmodelleringstilgang, som kun kræver materialernes kemiske sammensætning for at skelne deres optimale natur. Dette gjorde det muligt for den Bayesianske optimeringsbaserede AOE effektivt at søge efter materialer med optimal båndgab (elektrisk resistivitet/ledningsevne) tunbarhed og termisk stabilitet (syntetiserbarhed) - to definerende funktioner for nyttige materialer.

For at validere deres tilgang, holdet analyserede hundredvis af kemiske kombinationer ved hjælp af tæthedsfunktionsteori-baserede simuleringer og fandt 12 tidligere uidentificerede sammensætninger af komplekse lakunære spineller, der viste optimal funktionalitet og syntetiserbarhed. Disse MIT-materialer er kendt for at være vært for unikke spin-teksturer, en nødvendig funktion til at drive fremtidens Internet of Things og andre ressourcekrævende teknologier.

"Dette fremskridt overvinder traditionelle begrænsninger pålagt af kemiske intuition-baserede materialedesign, " sagde Chen, Wilson-Cook professor i ingeniørdesign og professor og formand for maskinteknik, og en medforfatter på undersøgelsen. "Ved at omformulere funktionelt materialedesign som et optimeringsproblem, vi har ikke kun fundet en løsning på udfordringen med at arbejde med begrænsede data, men også demonstreret evnen til effektivt at opdage optimale nye materialer til fremtidens elektronik."

Mens forskerne testede deres metode på uorganiske materialer, de mener, at tilgangen også kan anvendes på organiske materialer, såsom design af proteinsekvenser i biomaterialer eller monomersekvenser i polymere materialer. Modellen giver også vejledning i at træffe bedre beslutninger hen imod det optimale design af materialer ved at vælge ideelle kandidatforbindelser til at simulere.

"Vores metode baner vejen frem for optimering af flere egenskaber og co-design af komplekse multifunktionelle materialer, hvor forudgående data og viden er sparsom, " sagde Rondinelli.

Arbejdet med denne undersøgelse blev født fra et projekt, der udforskede Bayesiansk optimering i materialeopdagelse inden for det tværfaglige klyngeprogram for Predictive Science and Engineering Design (PSED), sponsoreret af The Graduate School at Northwestern. Det blev støttet af finansiering fra National Science Foundation og Advanced Research Projects Agency—Energy's (ARPA-E) DIFFERENTIATE-program, som søger at bruge nye AI-teknologier til at tackle store energi- og miljøudfordringer.

"Dette arbejde fremhæver virkningen af ​​den samarbejdende PSED tværfaglige designklynge, " sagde Chen. "Det understreger også de afgørende fremskridt, der sker inden for AI og maskinlæring på Northwestern i design og optimering."