Att designa material som har de nödvändiga egenskaperna för att uppfylla specifika funktioner är en utmaning för forskare som arbetar inom områden från katalys till solceller. För att påskynda utvecklingsprocesser, modelleringsmetoder kan användas för att förutsäga information för att vägleda förbättringar. Forskare från University of Tokyo Institute of Industrial Science har utvecklat en maskininlärningsmodell för att bestämma egenskaper hos bundna och adsorberade material baserat på parametrar för de enskilda komponenterna. Deras resultat publiceras i Tillämpad fysik Express .

Faktorer som längden och styrkan av bindningar i material spelar avgörande roller för att bestämma de strukturer och egenskaper vi upplever i den makroskopiska skalan. Förmågan att enkelt förutse dessa egenskaper är därför värdefull vid design av nya material.

Tillståndstätheten (DOS) är en parameter som kan beräknas för enskilda atomer, molekyler, och material. Enkelt uttryckt, den beskriver de alternativ som finns tillgängliga för elektronerna som ordnar sig i ett material. En modelleringsmetod som kan ta denna information för utvalda komponenter och producera användbar data för den önskade produkten – utan att behöva tillverka och analysera materialet – är ett attraktivt verktyg.

Forskarna använde en maskininlärningsmetod – där modellen förfinar sitt svar utan mänsklig inblandning – för att förutsäga fyra olika egenskaper hos produkter från DOS-informationen för de enskilda komponenterna. Även om DOS har använts som en deskriptor för att fastställa enskilda parametrar tidigare, detta är första gången flera olika egenskaper har förutspåtts.

"Vi kunde kvantitativt förutsäga bindningsenergin, bindningslängd, antal kovalenta elektroner, och Fermi-energin efter bindning för tre olika allmänna typer av system, " förklarar studiens första författare Eiki Suzuki. "Och våra förutsägelser var mycket exakta för alla fastigheter."

Eftersom beräkningen av DOS för ett isolerat tillstånd är mindre komplex än för bundna system, analysen är relativt effektiv. Dessutom, den neurala nätverksmodellen som användes fungerade bra även när endast 20 % av datasetet användes för träning.

"En betydande fördel med vår modell är att den är generell och kan appliceras på en mängd olika system, " studie motsvarande författare Teruyasu Mizoguchi förklarar. "Vi tror att våra resultat kan ge ett betydande bidrag till många utvecklingsprocesser, till exempel vid katalys, och kan vara särskilt användbar inom nyare forskningsområden som nanokluster och nanotrådar."

Artikeln, "Exakt förutsägelse av bindningsegenskaper av en maskininlärningsbaserad modell med hjälp av isolerade tillstånd före bindning", publicerades i Tillämpad fysik Express .