Dyb læring kaster bredt net til nye 2D-materialer

Forskere opdager nye todimensionelle materialer i et hurtigt tempo, men de ved ikke altid med det samme, hvad disse materialer kan.

Forskere ved Rice University's Brown School of Engineering siger, at de hurtigt kan finde ud af det ved at tilføre grundlæggende detaljer om deres strukturer til "deep learning"-agenter, der har magten til at kortlægge materialernes egenskaber. Endnu bedre, agenterne kan hurtigt modellere materialer, som forskere overvejer at lave for at lette "bottom-up"-designet af 2D-materialer.

Rouzbeh Shahsavari, en adjunkt i civil- og miljøteknik, og Rice-studerende Prabhas Hundi udforskede mulighederne for neurale netværk og flerlagsperceptroner, der tager minimale data fra de simulerede strukturer af 2-D-materialer og laver "rimelig nøjagtige" forudsigelser af deres fysiske egenskaber, som styrke, selv efter at de er beskadiget af stråling og høje temperaturer.

Når først du er blevet trænet, Shahsavari sagde, disse midler kunne tilpasses til at analysere nye 2D-materialer med så lidt som 10 procent af deres strukturelle data. Det ville returnere en analyse af materialets styrker med omkring 95 procent nøjagtighed, han sagde.

"Dette tyder på, at overførselslæring (hvor en dyb-læringsalgoritme trænet på ét materiale kan anvendes på et andet) er en potentiel game-changer i materialeopdagelse og karakteriseringstilgange, " foreslog forskerne.

Resultaterne af deres omfattende test på grafen og sekskantet bornitrid vises i journalen Lille .

Siden opdagelsen af ​​grafen i 2004, atomtykke materialer er blevet udråbt for deres styrke og række af elektroniske egenskaber for kompositter og elektronik. Fordi deres atomarrangementer har en betydelig indflydelse på deres egenskaber, forskere bruger ofte simuleringer af molekylær dynamik til at analysere strukturerne af nye 2-D materialer, selv før de forsøger at lave dem.

Shahsavari sagde, at deep learning tilbyder et betydeligt hastighedsboost i forhold til sådanne traditionelle simuleringer af 2-D materialer og deres egenskaber, tillader beregninger, der nu tager dages supercomputertid at køre i timer.

"Fordi vi kan bygge vores struktur-egenskabskort med kun en brøkdel af dataene fra grafen eller bornitrid molekylær dynamik simuleringer, vi ser en størrelsesorden mindre beregningstid for at få en fuldstændig opførsel af materialet, " han sagde.

Shahsavari sagde, at laboratoriet besluttede at studere grafen og sekskantet bornitrid for deres høje tolerance over for forringelse under høje temperaturer og i strålingsrige miljøer, vigtige egenskaber for materialer i rumfartøjer og atomkraftværker. Fordi Shahsavari-gruppen allerede havde udført mere end 11, 000 strålingskaskade skader molekylær dynamik simuleringer for et andet papir om 2-D materialer, de havde incitament til at se, om de kunne reproducere deres resultater med en meget hurtigere metode.

De kørte tusindvis af "deep learning"-simuleringer på 80 kombinationer af stråling og temperatur for hexagonal bornitrid og 48 kombinationer for grafen, rammer hver kombination med 31 tilfældige doser af simuleret stråling. For nogle, forskerne trænede deep learning agenten med maksimalt 45 procent af data fra deres molekylære dynamikstudie, opnå op til 97 procent nøjagtighed i at forudsige defekter og deres indvirkning på materialets egenskaber.

Tilpasning af trænede agenter til forskellige materialer, de fandt, krævede kun omkring 10 procent af de simulerede data, fremskynder processen i høj grad, samtidig med at den bevarer en god nøjagtighed.

"Vi forsøgte at finde ud af de tilsvarende reststyrker af materialerne efter udsættelse for ekstreme forhold, sammen med alle defekter, " sagde han. "Som forventet, når middeltemperaturen eller strålingen var for høj, reststyrken blev ret lav. Men den tendens var ikke altid tydelig."

I nogle tilfælde, han sagde, den kombinerede højere stråling og højere temperaturer gjorde et materiale mere robust i stedet for mindre, og det ville hjælpe forskerne at vide det, før de laver et fysisk produkt.

"Vores dybe læringsmetode til udvikling af struktur-egenskabskort kunne åbne op for en ny ramme til at forstå adfærden af ​​2-D materialer, opdage deres ikke-intuitive fællestræk og anomalier, og i sidste ende bedre designe dem til skræddersyede applikationer, " sagde Shahsavari.