Preboj orodje napoveduje lastnosti teoretičnih materialov

Anonim

Znanstveniki na Univerzi v Severni Karolini na Chapel Hillu in Univerzi Duke so ustvarili prvo splošno metodo za uporabo strojnega učenja za napovedovanje lastnosti novih kovin, keramike in drugih kristalnih materialov ter za iskanje novih uporab za obstoječe materiale, bi lahko prihranili nešteto ur v procesu poskusov in napak pri ustvarjanju novih in boljših materialov.

Raziskovalci, ki so jih vodili dr. Olexandr Isayev in dr. Alexander Tropsha na Univerzi za medicinsko medicino UNC Eshelman, so uporabili podatke o približno 60.000 unikatnih materialov iz zbirke podatkov o anorganskih kristalnih strukturah Nacionalnega inštituta za standarde in tehnologijo, da bi ustvarili novo metodologijo imenujejo Fragmente označenih materialov.

Z uporabo strojnega učenja za analizo in modeliranje obstoječih kristalnih struktur lahko metodologija PLMF predvidi lastnosti novih materialov, ki jih predlagajo znanstveniki in inženirji. Orodje je celo uspelo izpolniti manjkajoče vrednosti lastnosti materialov v podatkovni zbirki NIST, ki je bila nikoli preskušena eksperimentalno.

"Tehnologijo pogosto temelji na odkrivanju novih materialov, vendar je bil proces odkrivanja teh materialov vedno precej nespameten, " je dejal Tropsha. "Iz novega orodja se uporablja pristop, ki temelji na podatkih in znanju, ki ga uporabljamo v farmacevtskih znanostih za oblikovanje drog. Ker ustvarjanje novih materialov traja neverjetno veliko časa in truda, ki se pogosto konča z razočaranjem, orodje PLMF fizičnim znanstvenikom omogoča, da testirajo novo idejo, preden jih celo s prstom dvignejo, da ga sintetizirajo. "

Tropsha je profesor KH Lee na šoli in direktor Laboratorija za molekularno modeliranje. Isayev je raziskovalni asistent. Njihovo delo je bilo objavljeno v Nature Communications, orodje PLMF pa je javno dostopno kot uporabniku prijazna spletna aplikacija na //aflow.org/aflow-ml.

Metoda PLMF deluje tako, da ustvari "prstne odtise" iz strukture kristalov, ki obsegajo najmanjše enote anorganskih materialov, kot so keramika, kovine in kovinske zlitine. Združevanje prstnih odtisov s strojnim učenjem je omogočilo oblikovanje univerzalnih modelov, ki lahko natančno napovedujejo osem kritičnih elektronskih in termomehanskih lastnosti praktično vseh anorganskih kristalnih materialov. Lastnosti vključujejo prevodnost, togost in stiskljivost, prenos toplote in odziv na spremembe temperature, in ekipa načrtuje, da bo vključevala več lastnosti, saj zbirajo več podatkov, je dejal Isayev.

"V mnogih praktičnih projektih ljudje poznajo paleto vrednosti, ki jih želijo za določeno lastnino, " je dejal Isayev. "Lahko izkoristimo tisto, kar vemo o teh materialih in se naučimo strojnega učenja, da hitro ogledamo potencialne materiale za pravo lastnost. Raziskovalci lahko hitro zožijo kandidatne materiale in se izognejo številnim tujih in kompleksnih izračunih, kar prihrani denar, čas in računske vire."

V prvi praktični aplikaciji za strojno učenje je ekipa sodelovala z doktoratom Jimom Cahoonom na oddelku za kemijo UNC za oblikovanje novega elektrodnega materiala za vrsto nizkocenovnih sončnih celic. Trenutno uporabljeni oksid niklja ni zelo učinkovit, strupen in zahteva, da organska topila delujejo v celici.

Znanstveniki so praktično pregledali 50.000 znanih anorganskih spojin in identificirali vodikov titanat kot najbolj obetaven material, nato pa so ga potrdili. Naprave, ki uporabljajo svinčev titanat, so pokazale najboljše rezultate v vodni raztopini, kar je omogočilo prehod od topil do vodne raztopine, ki bi lahko zmanjšala stroške, medtem ko bi bila okolju bolj prijazna.

"Svinčev titanat verjetno ne bi bil prva izbira večine znanstvenikov, ker je njena struktura tako različna kot nikelj oksid, " je dejal Isayev. "Materiali, pridobljeni iz železa, kobalta ali bakra, bi bili bolj verjetno upoštevani, ker so bolj kemično podobni niklju. PLMF in strojno učenje so našli preproste in nove rešitve, ki so rešile neizmerne ure iskanja poskusov in napak".

menu
menu