Att hitta nya funktionella material är alltid svårt. Men att söka efter mycket specifika egenskaper bland en relativt liten familj av kända material är ännu svårare.

Men ett team från Northwestern Engineering och Los Alamos National Laboratory hittade en lösning. Gruppen utvecklade ett nytt arbetsflöde som kombinerar maskininlärning och densitetsfunktionella teoriberäkningar för att skapa designriktlinjer för nya material som uppvisar användbara elektroniska egenskaper, såsom ferroelektricitet och piezoelektricitet.

Få skiktade material har dessa egenskaper i vissa geometrier – avgörande för att utveckla lösningar för elektronik, kommunikation, och energiproblem – vilket innebär att det fanns väldigt lite data från att formulera riktlinjerna med hjälp av traditionella forskningsmetoder.

"När andra letar efter nya material, vanligtvis letar de på platser där de har mycket data från liknande material. Det är inte nödvändigtvis lätt på något sätt, men vi vet hur man destillerar information från stora datamängder, " sa James M. Rondinelli, biträdande professor i materialvetenskap och teknik vid McCormick School of Engineering. "När du inte har mycket information, att lära av data blir ett svårt problem."

Forskningen beskrivs i artikeln "Lära av data för att designa funktionella material utan inversionssymmetri, " visas den 17 februari, 2017, frågan om Naturkommunikation . Prasanna Balachandran från Los Alamos National Lab i New Mexico är tidningens medförfattare. Joshua Young, en före detta doktorand i Rondinellis labb, och Turab Lookman, en senior forskare vid Los Alamos, också bidragit.

Stöds av finansiering från National Science Foundation och Laboratory Directed Research and Development Program genom Los Alamos, Rondinellis grupp fokuserade på en klass av tvådimensionella komplexa oxider - eller Ruddlesden-Popper-oxider. Dessa material uppvisar många teknikmöjliggörande egenskaper, såsom ferroelektricitet och piezoelektricitet, och kan kopplas till traditionella halvledarmaterial som finns i dagens elektroniska enheter.

"I denna familj, datamängden är ynklig. För närvarande, det finns bara cirka 10 till 15 material som är kända med de önskade egenskaperna, ", sade Rondinelli. "Detta är inte mycket data att arbeta med. Traditionellt används datavetenskap för big data-problem där det finns mindre behov av domänkunskap."

"Trots problemets lilla datakaraktär, " tillade Balachandran, "vårt tillvägagångssätt fungerade eftersom vi kunde kombinera vår förståelse av dessa material (domänkunskap) med data för att informera om maskininlärning."

Därför, gruppen började bygga en databas med känt material och använda maskininlärning, ett underområde av datavetenskap som bygger algoritmer som kan lära sig av data och sedan använda den inlärningen för att göra bättre förutsägelser. "Med maskininlärning, vi kan identifiera kemiska sammansättningar som är troliga kandidater för det material du vill utveckla, " han sa.

Av de fler än 3, 000 möjliga material undersökt, den datavetenskapliga metoden hittade mer än 200 med lovande kandidater. Nästa, teamet tillämpade flera typer av rigorösa kvantmekaniska beräkningar. Detta bedömde de potentiella materialens atomära strukturer och kontrollerade deras stabilitet.

"Vi undrade:Skulle materialet ha den förutsagda strukturen? Har det elektrisk polarisering? Kan det tillverkas i ett laboratorium?" tillade Rondinelli.

Detta arbete minskade möjligheterna till 19, som rekommenderades för omedelbar experimentell syntes. Ändå finns det sannolikt många fler möjligheter bland de 200 kandidaterna.

Vanligtvis, när man utvecklar nya material, antalet möjligheter är för stort för att utforska och utveckla var och en. Processen att screena potentiella material är mycket dyr, och forskare måste vara selektiva i sina investeringar.

"Vårt arbete har potential att hjälpa till att spara enorma mängder tid och resurser, " sa Balachandran. "Istället för att utforska alla möjliga material, endast de material som har potential att vara lovande kommer att rekommenderas för experimentell undersökning."