Ny ramme anvender maskinlæring til atomistisk modellering

Forskere fra Northwestern University har udviklet en ny ramme ved hjælp af maskinlæring, der forbedrer nøjagtigheden af ​​interatomiske potentialer - de vejledende regler, der beskriver, hvordan atomer interagerer - i design af nye materialer. Resultaterne kan føre til mere præcise forudsigelser af, hvordan nye materialer overfører varme, deformere, og mislykkes i atomskalaen.

Design af nye nanomaterialer er et vigtigt aspekt af udviklingen af ​​næste generations enheder, der bruges i elektronik, sensorer, energihøst og -lagring, optiske detektorer, og konstruktionsmaterialer. For at designe disse materialer, forskere skaber interatomiske potentialer gennem atomistisk modellering, en beregningsmetode, der forudsiger, hvordan disse materialer opfører sig ved at tage højde for deres egenskaber på det mindste niveau. Processen til at etablere materialers interatomiske potentiale - kaldet parameterisering - har krævet betydelig kemisk og fysisk intuition, hvilket fører til mindre præcis forudsigelse af design af nye materialer.

Forskernes platform minimerer brugerintervention ved at anvende multi-objektiv genetisk algoritmeoptimering og statistiske analyseteknikker, og skærme lovende interatomiske potentialer og parametersæt.

"De beregningsalgoritmer, vi udviklede, giver analytikere en metode til at vurdere og undgå traditionelle mangler, " sagde Horacio Espinosa, James N. og Nancy J. Farley Professor i fremstilling og iværksætteri og professor i maskinteknik og (ved høflighed) biomedicinsk teknik og civil- og miljøteknik, der ledede forskningen. "De giver også midlerne til at skræddersy parameteriseringen til applikationer af interesse."

Resultaterne blev offentliggjort i en undersøgelse med titlen "Parametrisering af interatomiske potentialer for nøjagtige store deformationsbaner ved hjælp af multiobjektive genetiske algoritmer og statistiske analyser:et casestudie om todimensionelle materialer" den 21. juli i Nature Partner Journals—Computational Materials .

Xu Zhang og Hoang Nguyen, begge studerende i Northwestern Engineering's Theoretical and Applied Mechanics (TAM) kandidatuddannelse, var med-første forfattere af undersøgelsen. Andre medforfattere omfattede Jeffrey T. Paci fra University of Victoria, Canada, Subramanian Sankaranarayanan fra Argonne National Laboratory, og Jose Mendoza fra Michigan State University.

Forskernes rammeværk bruger trænings- og screeningsdatasæt, der er opnået fra densitets funktionelle teorisimuleringsresultater, efterfulgt af et evalueringstrin, der omfatter hovedkomponentanalyse og korrelationsanalyse.

"Vi definerede en række trin for at nå en iterativ læringstilgang givet specifikke optimeringsmål, sagde Espinosa, der leder TAM-programmet. "Vores statistiske tilgang gør det muligt for brugerne at realisere modstridende optimeringsmål, der er vigtige for at sætte grænser for anvendelighed og overførsel til de parametriserede potentialer." Disse relationer kan afsløre underliggende fysik bag nogle fænomener, der synes at være irrelevante for hinanden.

Holdet identificerede en positiv sammenhæng mellem nøjagtigheden af ​​interatomisk potentiale og kompleksiteten og antallet af de angivne parametre - et fænomen, der menes at være sandt i feltet, men tidligere ubevist ved brug af kvantitative metoder. Dette kompleksitetsniveau skal opfyldes af en passende mængde træningsdata. Undladelse af at gøre det, især data, der bærer kritisk information, fører til nedsat nøjagtighed.

Forskerne fandt, for eksempel, at forbedre troværdigheden af ​​interatomiske potentialer, ikke-ligevægtsegenskaber og krafttilpasningsdata er påkrævet.

"Dette inkluderede en bedre beskrivelse af store deformationsveje og svigt i materialer, " sagde Nguyen.

"Selvom disse ikke er konventionelle egenskaber, som folk målretter mod under parametrisering, de er afgørende for at forstå pålideligheden og funktionaliteten af ​​materialer og enheder, "Sagde Zhang.

Den nye tilgang hjælper også med at fjerne barrieren for brugeroplevelse for at komme ind på dette forskningsfelt. "Gennem dette arbejde, vi håber at kunne tage et skridt fremad ved at få simuleringsteknikkerne til at afspejle materialers egenskaber mere præcist. Denne viden kan udvides til og i sidste ende påvirke designet af enheder og teknologi, vi alle bruger, " sagde Zhang.

Næste, forskerne vil bruge deres modeller til at udvide deres undersøgelse til at studere brud og deformation i 2D-materialer, såvel som defektteknikens rolle i forbedringer af sejhed. De udvikler også in situ elektronmikroskopi eksperimenter, der vil afsløre atomistiske fejltilstande, tilvejebringelse af en måde at vurdere de parametriserede potentialers forudsigelsesevner.