Att upptäcka hur atomer – som ett enda lager av kolatomer som finns i grafen, ett av världens starkaste material – arbetet med att skapa ett fast material är för närvarande ett stort forskningsämne inom materialvetenskap, eller design och upptäckt av nya material. Vid University of Missouri, forskare vid College of Engineering tillämpar en av de första användningarna av djupinlärning - tekniken som datorer använder för att intelligent utföra uppgifter som att känna igen språk och köra autonoma fordon - på materialvetenskap.

"Du kan träna en dator att göra vad det skulle ta många år för människor att annars göra, sa Yuan Dong, en forskarassistent i maskin- och rymdteknik och ledande forskare i studien. "Det här är en bra utgångspunkt."

Dong arbetade med Jian Lin, en biträdande professor i maskin- och rymdteknik, för att avgöra om det fanns ett sätt att förutsäga de miljarder möjligheter av materialstrukturer som skapas när vissa kolatomer i grafen ersätts med icke-kolatomer.

"Om du sätter atomer i vissa konfigurationer, materialet kommer att bete sig annorlunda, "Sade Lin." Strukturer avgör egenskaperna. Hur kan du förutsäga dessa egenskaper utan att göra experiment? Det är där beräkningsprinciper kommer in."

Lin och Dong samarbetade med Jianlin Cheng, en William och Nancy Thompson professor i elektroteknik och datavetenskap vid MU, att mata in några tusen kända kombinationer av grafenstrukturer och deras egenskaper i modeller för djupinlärning. Därifrån, det tog ungefär två dagar för den högpresterande datorn att lära sig och förutsäga egenskaperna hos miljarder andra möjliga strukturer av grafen utan att behöva testa var och en separat.

Forskare föreställer sig framtida användningar av denna artificiella intelligens-hjälpteknologi för att designa många olika grafenrelaterade eller andra tvådimensionella material. Dessa material kan användas för konstruktion av LED-TV-apparater, pekskärmar, smartphones, solceller, missiler och explosiva anordningar.

"Ge ett intelligent datorsystem vilken design som helst, och det kan förutsäga egenskaperna, " Cheng sa. "Denna trend växer fram inom materialvetenskap området. Det är ett bra exempel på att tillämpa artificiell intelligens för att ändra standardprocessen för materialdesign inom detta område."

Studien, "Bandgap-förutsägelse genom djupinlärning i konfigurationshybridiserad grafen och bornitrid, " publicerades i npj Beräkningsmaterial .