Forskare vid University of North Carolina vid Chapel Hill och Duke University har skapat den första generella metoden för att använda maskininlärning för att förutsäga egenskaperna hos nya metaller, keramik och andra kristallina material och för att hitta nya användningsområden för befintliga material, en upptäckt som kan spara oräkneliga timmar som slösas bort i processen med att testa och missa att skapa nya och bättre material.
Forskare ledda av Olexandr Isayev, Ph.D., och Alexander Tropsha, Ph.D., vid UNC Eshelman School of Pharmacy använde data om cirka 60, 000 unika material från National Institute of Standards and Technologys databas för oorganiska kristallstrukturer för att skapa en ny metod som de kallar Properties Labeled Materials Fragments.
Använda maskininlärning för att analysera och modellera befintliga kristallstrukturer, PLMF-metoden kan förutsäga egenskaperna hos nya material som föreslås av forskare och ingenjörer. Verktyget kunde till och med fylla i saknade värden för egenskaper hos material i NIST-databasen som aldrig hade testats experimentellt.
"Teknik drivs ofta av upptäckten av nya material, men processen att upptäcka dessa material har alltid varit ganska slumpartad, ", sa Tropsha. "Det nya verktyget tillämpar den data- och kunskapsdrivna strategin vi använder inom läkemedelsvetenskapen för att designa läkemedel. Eftersom att skapa nya material tar otroligt mycket tid och ansträngning som ofta slutar i besvikelse, vårt PLMF-verktyg låter materialforskare testa en ny idé innan de ens lyfter ett finger för att syntetisera den."
Tropsha är K.H. Lee Distinguished Professor vid skolan och chef för Laboratory for Molecular Modeling. Isayev är forskarassistent. Deras arbete publicerades i Naturkommunikation , och PLMF-verktyget är allmänt tillgängligt som en användarvänlig webbapplikation på http://aflow.org/aflow-ml.
PLMF-metoden fungerar genom att skapa "fingeravtryck" från strukturen av kristallerna som består av de minsta enheterna av oorganiska material som keramik, metaller och metallegeringar. Kombinationen av fingeravtrycken med maskininlärning möjliggjorde skapandet av universella modeller som kan exakt förutsäga åtta kritiska elektroniska och termomekaniska egenskaper hos praktiskt taget vilket oorganiskt kristallint material som helst. Egenskaperna inkluderar konduktivitet, styvhet och kompressibilitet, värmeöverföring och svar på temperaturförändringar, och teamet planerar att införliva fler egenskaper när de samlar in mer data, Sa Isayev.
"I många praktiska projekt, människor vet vilka värden de vill ha för en viss fastighet, " Sa Isayev. "Vi kan utnyttja vad vi vet om dessa material och kunnig maskininlärning för att snabbt screena potentiellt material för rätt egendom. Forskare kan snabbt begränsa kandidatmaterial och undvika många främmande och komplexa beräkningar. Detta sparar pengar, tid och beräkningsresurser."
I den första praktiska applikationen för maskininlärning, teamet arbetade med biträdande professor Jim Cahoon, Ph.D., i UNC Department of Chemistry för att designa ett nytt elektrodmaterial för en typ av lågkostnadssolceller. Den för närvarande använda nickeloxiden, är inte särskilt effektivt, giftigt och kräver organiska lösningsmedel för att fungera i cellen.
Forskare undersökte nästan 50, 000 kända oorganiska föreningar och identifierade blytitanat som det mest lovande materialet och efterföljande tester bekräftade det. De enheter som använder blytitanat uppvisade den bästa prestandan i vattenlösning, tillåter en övergång från lösningsmedel till en vattenbaserad lösning som kan hjälpa till att sänka kostnaderna samtidigt som den är mer miljövänlig.
"Blytitanat skulle förmodligen inte ha varit det första valet för de flesta materialforskare eftersom dess struktur är så olik nickeloxid, " Sa Isayev. "Material som härrör från järn, kobolt eller koppar skulle vara mer sannolikt att övervägas eftersom de är mer kemiskt lika nickel. PLMF och maskininlärning hittade en enkel och ny lösning som sparade otaliga timmar av försök-och-fel-sökning."
