Maskinlæring muliggør forudsigelig modellering af 2D-materialer

Maskinelæring, et felt fokuseret på at træne computere til at genkende mønstre i data og lave nye forudsigelser, hjælper læger med at diagnosticere sygdomme mere præcist, og aktieanalytikere forudsiger stigningen og faldet på de finansielle markeder. Og nu har materialeforskere været banebrydende for en anden vigtig applikation til maskinlæring – og hjælper med at fremskynde opdagelsen og udviklingen af ​​nye materialer.

Forskere ved Center for Nanoscale Materials and the Advanced Photon Source, både US Department of Energy (DOE) Office of Science brugerfaciliteter ved DOE's Argonne National Laboratory, annonceret brugen af ​​maskinlæringsværktøjer til præcist at forudsige den fysiske, kemiske og mekaniske egenskaber ved nanomaterialer.

I en undersøgelse offentliggjort i The Journal of Physical Chemistry Letters , et team af forskere ledet af Argonne beregningsforsker Subramanian Sankaranarayanan beskrev deres brug af maskinlæringsværktøjer til at skabe den første model på atomniveau, der nøjagtigt forudsiger de termiske egenskaber af stanen, et todimensionelt (2-D) materiale, der består af et et-atom-tykt ark tin.

Undersøgelsen afslører for første gang en tilgang til materialemodellering, der anvender maskinlæring og er mere præcis til at forudsige materialeegenskaber sammenlignet med tidligere modeller.

"Prediktiv modellering er særlig vigtig for nyopdagede materialer, at lære, hvad de er gode til, hvordan de reagerer på forskellige stimuli og også hvordan man effektivt dyrker materialet til kommercielle applikationer – alt før du investerer i dyr fremstilling, " sagde Argonne postdoc-forsker Mathew Cherukara, en af ​​studiets hovedforfattere.

Traditionelt, Materialemodeller i atomare skala har taget år at udvikle, og forskere har i høj grad måttet stole på deres egen intuition for at identificere de parametre, som en model ville blive bygget på. Men ved at bruge en maskinlæringstilgang, Cherukara og andre forskere var i stand til at reducere behovet for menneskelig input og samtidig forkorte tiden til at lave en nøjagtig model ned til et par måneder.

"Vi indtaster data opnået fra eksperimentelle eller dyre teoribaserede beregninger, og så spørg maskinen, "Kan du give mig en model, der beskriver alle disse egenskaber?" sagde Badri Narayanan, en Argonne postdoc-forsker og en anden hovedforfatter af undersøgelsen. "Vi kan også stille spørgsmål som 'Kan vi optimere strukturen, inducere defekter eller skræddersy materialet for at få specifikke ønskede egenskaber?'"

I modsætning til de fleste tidligere modeller, maskinlæringsmodellen kan fange bindingsdannelse og brudhændelser nøjagtigt; dette giver ikke kun mere pålidelige forudsigelser af materialeegenskaber (f.eks. termisk ledningsevne), men gør det også muligt for forskere at fange kemiske reaktioner præcist og bedre forstå, hvordan specifikke materialer kan syntetiseres.

En anden fordel ved at bygge modeller ved hjælp af maskinlæring er, at processen ikke er materialeafhængig, hvilket betyder, at forskere kan se på mange forskellige klasser af materialer og anvende maskinlæring på forskellige andre elementer og deres kombinationer.

Beregningsmodellen Cherukara, Narayanan og deres kolleger har udviklet beskriver stanene, en struktur lavet af tin, der har fanget forskernes blik i de senere år. Interessen for stanen afspejler en voksende interesse for 2D-materialer, der udviklede sig fra opdagelsen af ​​grafen i 2004, et enkelt-lags arrangement af kulstof med attraktiv elektronisk, termiske og mekaniske egenskaber. Mens stanene stadig er langt fra kommercialisering, forskere finder det lovende for anvendelser inden for termisk styring (regulering af varme) på tværs af nogle enheder i nanoskala.

Studiet, " Ab Initio -Baseret obligationsordrepotentiale til at undersøge lav termisk ledningsevne af Stanene nanostrukturer, " dukkede op i The Journal of Physics Chemistry Letters .