Gjennombruddsverktøy forutsier egenskaper av teoretiske materialer

Anonim

Forskere ved University of North Carolina på Chapel Hill og Duke University har skapt den første generelle metoden for å bruke maskinlæring for å forutsi egenskapene til nye metaller, keramikk og andre krystallinske materialer og å finne nye bruksområder for eksisterende materialer, en oppdagelse at kan spare utallige timer bortkastet i prøve-og-feil-prosessen for å skape nye og bedre materialer.

Forskere ledet av Olexandr Isayev, Ph.D., og Alexander Tropsha, Ph.D., ved UNC Eshelman School of Pharmacy, brukte data på ca. 60.000 unike materialer fra National Institute of Standards and Technologys uorganiske krystallstrukturdatabase for å skape en ny metodikk de kaller egenskaper merket material fragmenter.

Ved å lære å analysere og modellere eksisterende krystallstrukturer, kan PLMF-metoden forutsi egenskapene til nye materialer foreslått av forskere og ingeniører. Verktøyet var selv i stand til å fylle ut manglende verdier for egenskaper av materialer i NIST-databasen som aldri hadde blitt testet eksperimentelt.

"Teknologi er ofte drevet av oppdagelsen av nye materialer, men prosessen med å oppdage disse materialene har alltid vært ganske tilfeldig, " sa Tropsha. "Ut nytt verktøy bruker data- og kunnskapsdrevet tilnærming vi bruker i farmasøytiske fag for å designe narkotika. Fordi å skape nye materialer tar en utrolig mengde tid og krefter som ofte slutter i skuffelse, gjør vårt PLMF-verktøy det mulig for materialerforskere å teste en ny ide før de selv løfter en finger for å syntetisere den. "

Tropsha er KH Lee Distinguished Professor ved skolen og direktør for laboratoriet for molekylær modellering. Isayev er forskerassistent professor. Deres arbeid ble publisert i Nature Communications, og PLMF-verktøyet er offentlig tilgjengelig som et brukervennlig webprogram på //aflow.org/aflow-ml.

PLMF-metoden fungerer ved å lage "fingeravtrykk" fra strukturen av krystallene som omfatter de minste enhetene av uorganiske materialer som keramikk, metaller og metalllegeringer. Kombinasjon av fingeravtrykk med maskinlæring tillot opprettelsen av universelle modeller som i stand til nøyaktig å forutsi åtte kritiske elektroniske og termomekaniske egenskaper til praktisk talt ethvert uorganisk krystallinsk materiale. Egenskapene inkluderer ledningsevne, stivhet og komprimerbarhet, varmeoverføring og respons på temperaturendring, og teamet planlegger å inkorporere flere egenskaper da de samler inn flere data, sa Isayev.

"I mange praktiske prosjekter kjenner folk rekkevidden av verdier de ønsker for en bestemt eiendom, " sa Isayev. "Vi kan utnytte det vi vet om disse materialene og kunnskapsrik maskinlæring for raskt å skjerme potensielle materialer for riktig eiendom. Forskere kan raskt begrense kandidatmaterialer og unngå mange utilsiktede og komplekse beregninger. Dette sparer penger, tid og beregningsmessige ressurser."

I den første praktiske søknaden om maskinlæring jobbet teamet med assisterende professor Jim Cahoon, Ph.D., i UNC Department of Chemistry, for å designe et nytt elektrodemateriale for en type lavpris solceller. Det for tiden brukte nikkeloksidet, er ikke veldig effektivt, giftig og krever organiske løsningsmidler til å fungere i cellen.

Forskere screenet nesten 50.000 kjente uorganiske forbindelser og identifiserte blytitanat som det mest lovende materialet og påfølgende testing bekreftet det. Apparatene som bruker blytitanat, oppnådde den beste ytelsen i vandig løsning, noe som gjorde det mulig å bytte vekk fra løsemidler til en vannbasert løsning som kunne bidra til å redusere kostnadene mens de var mer miljøvennlige.

"Lead titanate sannsynligvis ikke ville vært det første valget av de fleste materialforskere fordi strukturen er så forskjellig fra nikkel oksid, " sa Isayev. "Materialer avledet av jern, kobolt eller kobber vil være mer sannsynlig å bli vurdert fordi de er mer kjemisk lik nikkel. PLMF og maskinlæring fant en enkel og nyskapende løsninger som lagret utallige timer med prøve- og feilsøking."

menu
menu