Kondensatorer, med tanke på deras höga energiproduktion och laddningshastighet, kan spela en viktig roll för att driva framtidens maskiner, från elbilar till mobiltelefoner.

Men det största hindret för dessa energilagringsenheter är att de lagrar mycket mindre energi än ett batteri av liknande storlek.

Forskare vid Georgia Institute of Technology tar itu med det problemet på ett nytt sätt, använder maskininlärning för att i slutändan hitta sätt att bygga mer kapabla kondensatorer.

Metoden, som beskrevs den 18 februari i tidskriften npj Beräkningsmaterial och sponsras av U.S. Office of Naval Research, går ut på att lära en dator att på atomär nivå analysera två material som utgör vissa kondensatorer:aluminium och polyeten.

Forskarna fokuserade på att hitta ett sätt att snabbare analysera den elektroniska strukturen av dessa material, letar efter funktioner som kan påverka prestandan.

"Elektronikindustrin vill veta de elektroniska egenskaperna och strukturen hos alla material de använder för att producera enheter, inklusive kondensatorer, sa Rampi Ramprasad, professor vid Institutionen för materialvetenskap och teknik.

Ta ett material som polyeten:det är en mycket bra isolator med ett stort bandgap - ett energiområde som är förbjudet för elektriska laddningsbärare. Men om den har en defekt, oönskade laddningsbärare släpps in i bandgapet, minska effektiviteten, han sa.

"För att förstå var defekterna finns och vilken roll de spelar, vi måste beräkna hela atomstrukturen, något som hittills har varit extremt svårt, sa Ramprasad, som innehar Michael E. Tennenbaum Family Chair och är Georgia Research Alliance Eminent Scholar in Energy Sustainability. "Den nuvarande metoden för att analysera dessa material med hjälp av kvantmekanik är så långsam att den begränsar hur mycket analys som kan utföras vid varje given tidpunkt."

Ramprasad och hans kollegor, som är specialiserade på att använda maskininlärning för att utveckla nya material, använde ett urval av data skapade från en kvantmekanisk analys av aluminium och polyeten som indata för att lära en kraftfull dator hur man simulerar den analysen.

Att analysera den elektroniska strukturen hos ett material med kvantmekanik innebär att lösa Kohn-Shams funktionsteori för densitetsekvationen, som genererar data om vågfunktioner och energinivåer. Dessa data används sedan för att beräkna den totala potentiella energin för systemet och atomkrafterna.

Att använda den nya maskininlärningsmetoden ger liknande resultat åtta storleksordningar snabbare än att använda den konventionella tekniken baserad på kvantmekanik.

"Denna oöverträffade snabbhet i beräkningskapacitet kommer att tillåta oss att designa elektroniskt material som är överlägset vad som för närvarande finns där ute, " sa Ramprasad. "I grund och botten kan vi säga, "Här finns defekter med detta material som verkligen kommer att minska effektiviteten i dess elektroniska struktur." Och när vi väl kan hantera sådana aspekter effektivt, vi kan bättre designa elektroniska enheter."

Medan studien fokuserade på aluminium och polyeten, maskininlärning kan användas för att analysera den elektroniska strukturen hos ett brett spektrum av material. Utöver att analysera elektronisk struktur, andra aspekter av materialstruktur som nu analyseras av kvantmekanik kan också påskyndas av maskininlärningsmetoden, sa Ramprasad.

"Delvis valde vi aluminium och polyeten eftersom de är komponenter i en kondensator, men det tillät oss också att visa att du kan använda den här metoden för väldigt olika material, såsom metaller som är ledare och polymerer som är isolatorer, " sa Ramprasad.

Den snabbare bearbetningen som maskininlärningsmetoden tillåter skulle också göra det möjligt för forskare att snabbare simulera hur modifieringar av ett material kommer att påverka dess elektroniska struktur, potentiellt avslöjar nya sätt att förbättra dess effektivitet.