Kristallerin özelliklerini "hesaplamak" için makine öğrenimi, bu sefer malzeme bilim adamlarının ellerini serbest bırakma sırası
Son zamanlarda, Kuzey Carolina Üniversitesi (UNC) ve Duke Üniversitesi'ndeki bilim adamları, bunu yapabilen bir makine öğrenimi algoritması geliştirdiler. Metaller, seramikler ve diğer kristaller dahil olmak üzere yeni malzemelerin özelliklerini teorik düzeyde tahmin edin ve mevcut malzemeler için yeni kullanımlar bulun .
Normal şartlar altında, yeni materyallerin tahmini ve deneyleri zaman alıcıdır ve bilim adamlarının materyalleri "deneme yanılma" tarzında hazırlamaları gerekir Bu buluş şüphesiz bu işlemi büyük ölçüde basitleştirir.
Şekil Değişen maddi dünya ve iç yapısı
Kuzey Carolina Üniversitesi Eczacılık Fakültesi'nden (UNC) Dr. Olexandr Isayev ve Dr.Alexander Tropsha, Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) inorganik kristal yapı veritabanını neredeyse 60.000 özel malzemenin verileri , Bu algoritma aracını geliştirdi ve adlandırdı "Özellikler Etiketli Malzeme Parçaları" ( PLMF ).
Mevcut kristal yapıları analiz etmek ve simüle etmek için makine öğrenimini kullanan PLMF yöntemi, bilim adamları tarafından önerilen yeni malzemelerin performansını tahmin edebilir ve hatta NIST veritabanında eksik olan ve hiç test edilmemiş malzeme verilerini doldurabilir.
Şekil PLMF'nin modelleme süreci: önce bir görüntü modeli oluşturmak için kristal yapıyı ve çevresindeki düzenlemeyi analiz edin; atomlar görüntü düğümleridir ve kovalent bağlar / iyonik bağlar sınırlardır
Tropsha, "Genellikle yeni malzemelerin keşfi bilim ve teknolojinin gelişimini teşvik eder, ancak yeni malzemelerin keşfi her zaman tesadüfi olur" dedi ve ekliyor: "Makine öğrenimi, tıbbi alanda ilaçların hazırlanmasında kullanılan verilere ve bilgiye dayalı bir araçtır. Geniş uygulama yelpazesi. Yeni malzemeler geliştirmek çok zaman ve çaba gerektirir, ancak çoğu zaman geri teper ve PLMF araçları, malzeme bilimcilerinin, malzemeleri gerçekten sentezlemeden önce yeni fikirlerinin güvenilir olup olmadığını doğrulamalarına yardımcı olabilir. . "
Şekil PLMF'nin derin öğrenme modeli: giriş kristal yapısı ve çıktı elektrik ve termodinamik özellikleri
Tropsha, UNC'de seçkin bir profesör ve moleküler model laboratuvarının başkanıdır. Diğer bir araştırma lideri olan Isayev, UNC'de yardımcı doçenttir. Araştırma sonuçları Nature Communications dergisinde yayınlandı.
Şekil Doğa İletişimi Üzerine Yazılar
PLMF'nin ilkesi, Önce küçük hücrelerin kristal yapısını içeren "parmak izi bilgilerini" oluşturun Seramikler, metaller ve alaşımlar dahil olmak üzere inorganik malzemeleri tanımlamak. Ardından, kristalin doğru bir modelini elde etmek için bu bilgileri makine öğrenimiyle birleştirin, bu daha sonra elektriksel iletkenlik, sertlik, sıkıştırılabilirlik, ısı transferi ve sıcaklık değişimi dahil sekiz temel elektriksel ve termomekanik özelliği doğru bir şekilde tahmin edebilir. Yanıt vb. Daha fazla veri toplandıkça, araştırma ekibi daha fazla performans tahmin etmeyi umuyor.
Şekil 8 öngörülen değer (bant aralığı enerjisi, yığın modülü, Young modülü, Debye sıcaklığı, belirli bir sıcaklık ve basınçta özgül ısı kapasitesi ve termal genleşme katsayısı) ile gerçek ölçüm arasındaki korelasyon
Uygulamada, insanlar belirli bir performansa ulaşmak istiyorlarsa, o performansa karşılık gelen bir aralıkta uygun bir malzeme bulmaları gerekir. PLMF araçlarını, bu materyallerin kavrayışı ve makine öğrenimi ile birleştirerek, ideal materyalleri hızlı bir şekilde inceleyebilirsiniz. Bu, uygun malzemelerin kapsamını hızla daraltabilir, birçok gereksiz ve karmaşık hesaplamayı önleyebilir ve para, zaman ve hesaplama kaynaklarından tasarruf sağlayabilir.
Ekip, PLMF'nin ilk pratik uygulama vakasını tamamlamak için UNC Kimya Departmanından Yardımcı Doçent Jim Cahoon ile çalıştı Düşük maliyetli güneş pilleri için yeni bir elektrot malzemesi türü tasarlayın . Yaygın olarak kullanılan nikel oksit elektrot malzemeleri verimsizdir, toksiktir ve çözücü olarak organik reaktifler gerektirir Yeni PLMF malzemesi birçok sorunu başarıyla çözmüştür.
Şekil Pilin iki kutbu
Bu durumda, araştırmacılar yaklaşık 50.000 bilinen inorganik bileşiği taradılar ve sonunda, kurşun titanatın en ideal elektrot malzemesi olduğunu belirlemek için PLMF kullandılar. Bu karar, sonraki deneysel testlerde doğrulanmıştır. Sonuçlar, kurşun titanat kullanılarak hazırlanan cihazın en iyi performansı gösterdiğini ve çözücü olarak yaygın olarak kullanılan organik çözücü yerine su kullandığını, böylece maliyetleri düşürme ve daha çevre dostu olma etkisini sağladığını kanıtlıyor.
Isayev, "Kurşun titanat, çoğu malzeme bilimcisi için ilk tercih olmayabilir, çünkü yapısı yaygın olarak kullanılan nikel oksitten çok farklıdır. Demir, kobalt veya bakır bazlı malzemeler, kimyasal özellikleri nedeniyle daha olasıdır. Nikele daha yakın. "
Şekil Kurşun titanat kristali
"Deneme yanılma" araştırmamıza kıyasla, PLMF'nin makine öğrenimi, kullanışlı ve yeni bir çözüm buldu. "
