Forskare vid Institutet för industrivetenskap, University of Tokyo (UTokyo-IIS), använde artificiell intelligens för att snabbt sluta sig till det exciterade tillståndet hos elektroner i material. Detta arbete kan hjälpa materialvetare att studera strukturer och egenskaper hos okända prover och hjälpa till med design av nya material.

Fråga vilken kemist som helst, och de kommer att berätta att strukturer och egenskaper hos material främst bestäms av elektronerna som kretsar runt molekylerna som utgör det. Att vara specifik, de yttersta elektronerna, som är mest tillgängliga för att delta i bindning och kemiska reaktioner, är de mest kritiska. Dessa elektroner kan vila i sitt jordtillstånd med lägsta energi, " eller tillfälligt sparkas in i en högre bana som kallas ett exciterat tillstånd. Att ha förmågan att förutsäga exciterade tillstånd från marktillstånd skulle gå långt för att hjälpa forskare att förstå strukturerna och egenskaperna hos materialprover, och till och med designa nya.

Nu, forskare vid UTokyo-IIS har utvecklat en maskininlärningsalgoritm för att göra just det. Med hjälp av kraften hos artificiella neurala nätverk – som redan har visat sig användbara för att avgöra om din senaste kreditkortstransaktion var bedräglig eller vilken film som skulle rekommenderas streaming – visade teamet hur en artificiell intelligens kan tränas för att härleda det exciterade tillståndsspektrumet genom att känna till materialets grundtillstånd.

"Exciterade tillstånd har vanligtvis atomära eller elektroniska konfigurationer som skiljer sig från deras motsvarande grundtillstånd, " säger första författaren Shin Kiyohara. För att utföra utbildningen, forskarna använde data från kärn-elektronabsorptionsspektroskopi. I denna metod, en högenergiröntgen eller elektron används för att slå ut en kärnelektron som kretsar nära atomkärnan. Sedan, kärnelektronen exciterar till obesatta orbitaler, absorberar energin från högenergiröntgen/elektronen. Att mäta denna energiabsorption avslöjar information om atomstrukturerna, kemisk bindning, och materialegenskaper.

Det artificiella neurala nätverket tog som indata grundtillståndets partiella täthet av tillstånd, som lätt kan beräknas, och tränades att förutsäga motsvarande exciterade tillståndsspektra. En av de främsta fördelarna med att använda neurala nätverk, i motsats till konventionella beräkningsmetoder, är förmågan att tillämpa resultaten från träningsset till helt nya situationer.

"Mönstren vi upptäckte för ett material visade utmärkt överförbarhet till andra, ", säger seniorförfattaren Teruyasu Mizoguchi. "Denna forskning i upphetsade tillstånd kan hjälpa forskare att bättre förstå kemisk reaktivitet och materialfunktion i nya eller befintliga föreningar."

Verket publiceras i npj Beräkningsmaterial som "Lära sig exciterade tillstånd från grundtillstånd genom att använda ett artificiellt neuralt nätverk."