Northwestern University-forskare har utvecklat en ny beräkningsmetod för att påskynda designen av material som uppvisar metallisolatorövergångar (MIT), en sällsynt klass av elektroniskt material som har visat potential att sätta fart på framtida design och leverans av snabbare mikroelektronik och kvantinformationssystem – grundläggande teknologier bakom Internet of Things-enheter och storskaliga datacenter som driver hur människor arbetar och interagerar med andra.

Den nya strategin, ett samarbete mellan professorerna James Rondinelli och Wei Chen, integrerade tekniker från statistisk slutsats, optimeringsteori, och beräkningsmaterialfysik. Tillvägagångssättet kombinerar multi-objektiv Bayesiansk optimering med latent-variabla Gaussiska processer för att optimera idealiska egenskaper i en familj av MIT-material som kallas komplexa lakunära spineller.

När forskare söker efter nytt material, de letar vanligtvis på platser där befintliga data om liknande material redan finns. Utformningen av många klasser av materialegenskaper har accelererats i befintliga arbeten med datadrivna metoder med hjälp av datagenerering med hög genomströmning i kombination med metoder som maskininlärning.

Sådana tillvägagångssätt, dock, har inte varit tillgängliga för MIT-material, kategoriseras efter deras förmåga att reversibelt växla mellan elektriskt ledande och isolerande tillstånd. De flesta MIT -modeller är konstruerade för att beskriva ett enda material, gör genereringen av modellerna ofta utmanande. På samma gång, konventionella maskininlärningsmetoder har visat begränsad prediktiv förmåga på grund av frånvaron av tillgängliga data, vilket gör utformningen av nya MIT -material svår.

"Forskare förstår hur man destillerar information från stora materialdataset där den finns och när lämpliga funktioner är tillgängliga, sade Rondinelli, professor i materialvetenskap och teknik och Morris E. Fine Professor i material och tillverkning vid McCormick School of Engineering, och motsvarande författare till studien. "Men vad gör du när du inte har stora datamängder eller de nödvändiga funktionerna? Vårt arbete stör detta status quo genom att bygga predikativa och utforskande modeller utan att kräva stora datamängder eller funktioner som startar från en liten dataset."

Ett papper som beskriver arbetet, med titeln "Egenskapslös adaptiv optimering accelererar funktionell elektronisk materialdesign, " publicerades den 6 november i tidskriften Granskning av tillämpad fysik .

Forskargruppens metod, kallas avancerad optimeringsmotor (AOE), kringgår traditionella maskininlärningsbaserade upptäcktsmodeller genom att använda en latent variabel Gaussisk processmodelleringsmetod, som bara kräver den kemiska sammansättningen av material för att urskilja deras optimala natur. Detta gjorde det möjligt för den Bayesianska optimeringsbaserade AOE:n att effektivt söka efter material med optimal bandgap (elektrisk resistivitet/konduktivitet) avstämbarhet och termisk stabilitet (syntetiserbarhet) - två definierande egenskaper för användbara material.

För att validera deras tillvägagångssätt, teamet analyserade hundratals kemiska kombinationer med hjälp av densitetsfunktionsteoribaserade simuleringar och hittade 12 tidigare oidentifierade sammansättningar av komplexa lakunära spineller som visade optimal funktionalitet och syntetiserbarhet. Dessa MIT -material är kända för att vara värd för unika spinntexturer, en nödvändig funktion för att driva framtidens Internet of Things och andra resurskrävande teknologier.

"Detta framsteg övervinner traditionella begränsningar som åläggs av kemiska intuition-baserade materialdesigner, sa Chen, Wilson-Cook professor i teknisk design och professor och ordförande i maskinteknik, och en medförfattare till studien. "Genom att omforma funktionell materialdesign som ett optimeringsproblem, vi har inte bara hittat en lösning på utmaningen att arbeta med begränsad data, men också visat förmågan att effektivt upptäcka optimala nya material för framtida elektronik. "

Medan forskarna testade sin metod på oorganiska material, de tror att metoden även kan tillämpas på organiska material, såsom utformning av proteinsekvenser i biomaterial eller monomersekvenser i polymera material. Modellen ger också vägledning för att fatta bättre beslut mot optimal design av material genom att välja idealiska kandidatföreningar att simulera.

"Vår metod banar vägen framåt för optimering av flera egenskaper och samdesign av komplexa multifunktionella material där tidigare data och kunskap är sparsam, " sa Rondinelli.

Arbetet med denna studie föddes från ett projekt som utforskade Bayesiansk optimering av materialupptäckt inom det interdisciplinära klusterprogrammet Predictive Science and Engineering Design (PSED) sponsrat av The Graduate School at Northwestern. Det stöddes av finansiering från National Science Foundation och Advanced Research Projects Agency—Energys (ARPA-E) DIFFERENTIATE-program, som strävar efter att använda framväxande AI-tekniker för att hantera stora energi- och miljöutmaningar.

"Detta arbete belyser effekten av det samarbetande PSED interdisciplinära designklustret, " sade Chen. "Det betonar också de avgörande framstegen som sker inom AI och maskininlärning på Northwestern i design och optimering."