• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Kemi
    Nytt ramverk tillämpar maskininlärning på atomistisk modellering

    Kredit:Pixabay/CC0 Public Domain

    Forskare från Northwestern University har utvecklat ett nytt ramverk med hjälp av maskininlärning som förbättrar noggrannheten hos interatomära potentialer - de vägledande reglerna som beskriver hur atomer interagerar - i design av nya material. Fynden kan leda till mer exakta förutsägelser om hur nya material överför värme, deformera, och misslyckas på atomär skala.

    Att designa nya nanomaterial är en viktig aspekt av att utveckla nästa generations enheter som används inom elektronik, sensorer, energiskörd och lagring, optiska detektorer, och konstruktionsmaterial. För att designa dessa material, forskare skapar interatomiska potentialer genom atomistisk modellering, en beräkningsmetod som förutsäger hur dessa material beter sig genom att redovisa deras egenskaper på den minsta nivån. Processen för att fastställa materialens interatomära potential – kallad parameterisering – har krävt betydande kemisk och fysisk intuition, leder till mindre exakt förutsägelse av ny materialdesign.

    Forskarnas plattform minimerar användarintervention genom att använda multi-objektiv genetisk algoritmoptimering och statistisk analysteknik, och avskärmar lovande interatomära potentialer och parameteruppsättningar.

    "De beräkningsalgoritmer vi utvecklade ger analytiker en metod för att bedöma och undvika traditionella brister, sa Horacio Espinosa, James N. och Nancy J. Farley professor i tillverkning och entreprenörskap och professor i maskinteknik och (med tillstånd) biomedicinsk teknik och civil- och miljöteknik, som ledde forskningen. "De ger också möjlighet att skräddarsy parametriseringen för applikationer av intresse."

    Resultaten publicerades i en studie med titeln "Parametrization of Interatomic Potentials for Accurate Large Deformation Pathways Using Multi-Objective Genetic Algorithms and Statistical Analyses:A Case Study on Two-Dimensional Materials" den 21 juli i Nature Partner Journals—Computational Materials .

    Xu Zhang och Hoang Nguyen, både studenter i Northwestern Engineering's Teoretical and Applied Mechanics (TAM) forskarutbildningsprogram, var medförfattare till studien. Andra medförfattare var Jeffrey T. Paci från University of Victoria, Kanada, Subramanian Sankaranarayanan från Argonne National Laboratory, och Jose Mendoza från Michigan State University.

    Forskarnas ramverk använder tränings- och screeningdatauppsättningar som erhållits från resultat av simulering av densitetsfunktionsteori, följt av ett utvärderingssteg som inkluderar huvudkomponentanalys och korrelationsanalys.

    "Vi definierade en sekvens av steg för att nå en iterativ inlärningsmetod givet specifika optimeringsmål, sa Espinosa, som leder TAM-programmet. "Vår statistiska tillvägagångssätt gör det möjligt för användare att realisera motstridiga optimeringsmål som är viktiga för att sätta gränser för tillämpbarhet och överförbarhet till de parametriserade potentialerna." Dessa relationer kan avslöja underliggande fysik bakom några fenomen som verkar vara irrelevanta för varandra.

    Teamet identifierade en positiv korrelation mellan noggrannheten hos interatomär potential och komplexiteten och antalet av de angivna parametrarna - ett fenomen som tros vara sant i fält, men tidigare obevisad med kvantitativa metoder. Denna komplexitetsnivå måste mötas av en proportionerlig mängd träningsdata. Underlåtenhet att göra det, särskilt data som bär kritisk information, leder till minskad noggrannhet.

    Forskarna fann, till exempel, att förbättra troheten hos interatomära potentialer, icke-jämviktsegenskaper och kraftmatchande data krävs.

    "Detta inkluderade en bättre beskrivning av stora deformationsvägar och fel i material, " sa Nguyen.

    "Även om dessa inte är konventionella egenskaper som människor riktar sig till under parametrisering, de är avgörande för att förstå tillförlitligheten och funktionaliteten hos material och enheter, " sa Zhang.

    Det nya tillvägagångssättet hjälper också till att ta bort hindret för användarupplevelsen för att komma in på detta forskningsfält. "Genom detta arbete, vi hoppas kunna ta ett steg framåt genom att göra simuleringsteknikerna mer exakt avspegla materialens egenskaper. Den kunskapen kan utökas och så småningom påverka designen av enheter och teknik som vi alla använder, " sa Zhang.

    Nästa, forskarna kommer att använda sina modeller för att utöka sin undersökning för att studera brott och deformation i 2D-material, såväl som defektteknikens roll i seghetsförbättringar. De utvecklar också in situ elektronmikroskopiexperiment som kommer att avslöja atomistiska fellägen, tillhandahålla ett sätt att bedöma de parametriserade potentialernas prediktiva förmåga.


    © Vetenskap https://sv.scienceaq.com