Det finns ett gammalt talesätt, "Om gummi är materialet som öppnade vägen till marken, aluminium är det som öppnade vägen till himlen." Nya material upptäcktes alltid vid varje vändpunkt som förändrade mänsklighetens historia. Material som används i minnesenheter utvecklas också drastiskt med uppkomsten av nya material som dopade kiselmaterial, motståndsförändrande material, och material som spontant magnetiserar och polariserar. Hur tillverkas dessa nya material? En forskargrupp från POSTECH har avslöjat mekanismen bakom att tillverka material som används i nya minnesenheter genom att använda artificiell intelligens.

Forskargruppen ledd av professor Si-Young Choi vid institutionen för materialvetenskap och teknik och teamet ledd av professor Daesu Lee vid institutionen för fysik vid POSTECH har tillsammans lyckats syntetisera ett nytt ämne som producerar elektricitet genom att orsaka polarisering (ett fenomen i där positionen för negativa och positiva laddningar separeras från de negativa och positiva laddningarna i kristallen) vid rumstemperatur och bekräftade dess variation i kristallstrukturen genom att tillämpa djup neural nätverksanalys. Denna tidning publicerades i ett nyligen utgåva av Naturkommunikation .

Atomstrukturerna för perovskitoxider är ofta förvrängda och deras egenskaper bestäms av den oktaedriska syrerotationen (OOR) i enlighet därmed. Faktiskt, det finns endast ett fåtal stabila OOR-mönster närvarande vid jämvikt och detta begränsar oundvikligen egenskaperna och funktionerna hos perovskitoxider.

Det gemensamma forskarteamet fokuserade på en perovskitoxid som heter CaTiO ₃ som förblir opolär (eller paraelektrisk) även vid den absoluta temperaturen 0K. Baserat på ab-initio-beräkningarna, dock, teamet fann att ett unikt OOR-mönster som inte finns naturligt skulle kunna underlätta ferroelektriciteten, en kraftig polarisation vid rumstemperatur.

I det här ljuset, forskargruppen lyckades syntetisera ett nytt material (hetereroepitaxial CaTiO ₃ ) som besitter ferroelektriciteten genom att tillämpa gränssnittsteknik som kontrollerar atomstrukturerna vid gränssnittet och följaktligen dess fysiska egenskap.

Dessutom, djup neural nätverksanalys användes för att undersöka den fina OOR och variationen av några decennier av pikometer i atomstrukturerna, och olika atomstrukturer simulerades och data användes för AI-analys för att identifiera artificiellt kontrollerade OOR-mönster.

"Vi har bekräftat att vi kan skapa nya fysiska fenomen som inte uppstår naturligt genom att erhålla det unika OOR-mönstret genom att kontrollera variationen i dess atomstruktur, ", kommenterade professor Daesu Lee. "Det är särskilt viktigt att se att resultaten av den konvergerande forskningen inom fysik och ny materialteknik möjliggör beräkningar för materialdesign, syntes av nya material, och analys för att förstå nya fenomen."

Professor Choi förklarade, "Genom att tillämpa den djupa maskininlärningen på materialforskning, vi har framgångsrikt identifierat variationer i atomskala på tiotals piometrar som är svåra att identifiera med det mänskliga ögat." "Det kan vara en avancerad metod för materialanalys som kan hjälpa till att förstå mekanismen för att skapa nya material med unika fysiska fenomen."