Исследователи из Центра наноразмерных материалов и усовершенствованного источника фотонов Управления научных учреждений Министерства энергетики США (DOE) в Аргоннской национальной лаборатории Министерства энергетики объявили об использовании инструментов машинного обучения для точного прогнозирования физических, химических и механических свойств наноматериалы.В исследовании, опубликованном в The Journal of Physical Chemistry Letters, группа исследователей во главе с аргоннским ученым-вычислительным специалистом Субраманианом Санкаранараянаном описала использование ими инструментов машинного обучения для создания первой модели атомного уровня, которая точно предсказывает тепловые свойства станена, двухкомпонентную. размерный (2-D) материал, состоящий из листа олова толщиной в один атом.
В исследовании впервые раскрывается подход к моделированию материалов, основанный на машинном обучении и более точный при прогнозировании свойств материалов по сравнению с предыдущими моделями.«Прогностическое моделирование особенно важно для недавно открытых материалов, чтобы узнать, для чего они нужны, как они реагируют на различные стимулы, а также как эффективно выращивать материал для коммерческих приложений — и все это до того, как вы начнете вкладывать средства в дорогостоящее производство», — сказал Аргонн. постдокторант Мэтью Черукара, один из ведущих авторов исследования.Традиционно на разработку моделей материалов в атомном масштабе уходили годы, и исследователям приходилось в значительной степени полагаться на собственную интуицию, чтобы определить параметры, на которых будет построена модель. Но, используя подход машинного обучения, Черукара и его коллеги-исследователи смогли снизить потребность в человеческом вмешательстве, сократив время на создание точной модели до нескольких месяцев.
«Мы вводим данные, полученные в результате экспериментальных или дорогостоящих расчетов, основанных на теории, а затем спрашиваем машину:« Можете ли вы дать мне модель, описывающую все эти свойства? », — сказал Бадри Нараянан, научный сотрудник Аргонны, доктор наук и еще один ведущий автор книги. учиться. «Мы также можем задавать такие вопросы, как:« Можем ли мы оптимизировать структуру, вызвать дефекты или адаптировать материал для получения определенных желаемых свойств? »»В отличие от большинства прошлых моделей, модель машинного обучения может точно фиксировать события образования и разрыва связей; это не только дает более надежные прогнозы свойств материалов (например, теплопроводности), но также позволяет исследователям точно фиксировать химические реакции и лучше понимать, как можно синтезировать конкретные материалы.
Еще одно преимущество построения моделей с использованием машинного обучения заключается в том, что процесс не зависит от материала, а это означает, что исследователи могут рассматривать множество различных классов материалов и применять машинное обучение к различным другим элементам и их комбинациям.Вычислительная модель, которую разработали Черукара, Нараянан и их коллеги, описывает станен, структуру из олова, которая привлекла внимание исследователей в последние годы. Интерес к станену отражает растущий интерес к двумерным материалам, возникший после открытия в 2004 году графена, однослойного углеродного соединения с привлекательными электронными, тепловыми и механическими свойствами.
Хотя станен еще далек от коммерциализации, исследователи считают его многообещающим для применения в управлении температурой (регулирование тепла) в некоторых устройствах нанометрового масштаба.