En ny maskinlæringsmodel til karakterisering af materialeoverflader

Maskinlæring (ML) muliggør nøjagtig og effektiv beregning af grundlæggende elektroniske egenskaber af binære og ternære oxidoverflader, som vist af forskere fra Tokyo Tech. Deres ML-baserede model kan udvides til andre forbindelser og egenskaber. Resultaterne, offentliggjort i Journal of the American Chemical Society , kunne hjælpe med screening af materialers overfladeegenskaber såvel som i udviklingen af ​​funktionelle materialer.

Design og udvikling af nye materialer med overlegne egenskaber kræver en omfattende analyse af deres atomare og elektroniske strukturer.

Elektronenergiparametre såsom ioniseringspotentiale (IP), den energi, der er nødvendig for at fjerne en elektron fra valensbåndets maksimum, og elektronaffinitet (EA), mængden af ​​energi, der frigives ved binding af en elektron til ledningsbåndets minimum, afslører vigtige information om den elektroniske båndstruktur af overflader af halvledere, isolatorer og dielektriske stoffer.

Den nøjagtige estimering af IP'er og EA'er i sådanne ikke-metalliske materialer kan indikere deres anvendelighed til brug som funktionelle overflader og grænseflader i lysfølsomt udstyr og optoelektroniske enheder.

Derudover afhænger IP'er og EA'er betydeligt af overfladestrukturerne, hvilket tilføjer endnu en dimension til den komplekse procedure for deres kvantificering. Traditionel beregning af IP'er og EA'er involverer brugen af ​​nøjagtige beregninger med første principper, hvor bulk- og overfladesystemerne kvantificeres separat. Denne tidskrævende proces forhindrer kvantificering af IP'er og EA'er for mange overflader, hvilket nødvendiggør brugen af ​​beregningseffektive tilgange.

For at løse de vidtrækkende problemer, der påvirker kvantificeringen af ​​IP'er og EA'er af ikke-metalliske faste stoffer, har et team af forskere fra Tokyo Institute of Technology (Tokyo Tech), ledet af professor Fumiyasu Oba, vendt deres fokus mod ML.

Prof. Oba siger:"I de senere år har ML fået meget opmærksomhed inden for materialevidenskabelig forskning. Evnen til virtuelt at screene materialer baseret på ML-teknologi er en meget effektiv måde at udforske nye materialer med overlegne egenskaber. Også evnen til at træne store datasæt ved hjælp af nøjagtige teoretiske beregninger giver mulighed for vellykket forudsigelse af vigtige overfladekarakteristika og deres funktionelle implikationer."

Forskerne brugte et kunstigt neuralt netværk til at udvikle en regressionsmodel, der inkorporerede den glatte overlapning af atompositioner (SOAP'er) som numeriske inputdata. Deres model forudsagde nøjagtigt og effektivt IP'erne og EA'erne for binære oxidoverflader ved at bruge oplysningerne om bulkkrystalstrukturer og overfladetermineringsplaner.

Desuden kunne den ML-baserede forudsigelsesmodel "overføre læring", et scenarie, hvor en model udviklet til et bestemt formål kan fås til at inkorporere nyere datasæt og genanvendes til yderligere opgaver. Forskerne inkluderede virkningerne af flere kationer i deres model ved at udvikle "lærelige" SOAP'er og forudsagde IP'er og EA'er for ternære oxider ved hjælp af transfer learning.

Prof. Oba konkluderer:"Vores model er ikke begrænset til forudsigelse af overfladeegenskaber af oxider, men kan udvides til at studere andre forbindelser og deres egenskaber."

Flere oplysninger: Shin Kiyohara et al., Band Alignment of Oxides by Learnable Structural-Descriptor-Aided Neural Network and Transfer Learning, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c13574

Journaloplysninger: Tidsskrift for American Chemical Society

Leveret af Tokyo Institute of Technology