Grovkornigt materialutrymme med Wyckoff-representationer möjliggör effektiv datadriven materialupptäckt. Ett maskininlärningsdrivet arbetsflöde för materialupptäckt som drar fördel av fördelarna med den föreslagna Wyckoff-representationen. Arbetsflödet använder en maskininlärningsmodell för att förutsäga bildningsenergier för kandidatmaterial i ett uppräknat bibliotek av Wyckoff-representationer (former används för att beteckna olika Wyckoff-positioner och färger för att beteckna olika elementtyper). Dessa förutsagda formationsenergier jämförs sedan med det kända konvexa stabilitetsskrovet. Strukturer som uppfyller de erforderliga symmetrierna genereras sedan och avslappnas för material som förutsägs vara stabila. De beräknade energierna för de avslappnade strukturerna kan sedan jämföras med det kända konvexa skrovet för att bekräfta om kandidaten är stabil. Kredit:Science Advances (2022). DOI:10.1126/sciadv.abn4117
Forskare har designat en maskininlärningsmetod som kan förutsäga strukturen hos nya material med fem gånger effektiviteten jämfört med den nuvarande standarden, vilket tar bort en viktig vägspärr i utvecklingen av avancerade material för applikationer som energilagring och solceller.
Forskarna, från universiteten i Cambridge och Linkoping, har utformat ett sätt att förutsäga strukturen av material givet dess konstituerande element. Resultaten rapporteras i tidskriften Science Advances .
Arrangemanget av atomer i ett material bestämmer dess egenskaper. Möjligheten att förutsäga detta arrangemang beräkningsmässigt för olika kombinationer av element, utan att behöva tillverka materialet i labbet, skulle göra det möjligt för forskare att snabbt designa och förbättra material. Detta banar väg för framsteg som bättre batterier och solceller.
Det finns dock många sätt som atomer kan "packa" i ett material:vissa packningar är stabila, andra inte. Att bestämma stabiliteten hos en packning är beräkningsintensivt, och att beräkna alla möjliga arrangemang av atomer för att hitta den bästa är inte praktiskt. Detta är en betydande flaskhals inom materialvetenskap.
"Denna utmaning för förutsägelse av materialstruktur liknar problemet med proteinveckning inom biologi", säger Dr Alpha Lee från Cambridges Cavendish Laboratory, som var med och ledde forskningen. "Det finns många möjliga strukturer som ett material kan 'vikas' in i. Förutom att det materialvetenskapliga problemet kanske är ännu mer utmanande än biologi eftersom det tar hänsyn till en mycket bredare uppsättning element."
Lee och hans kollegor utvecklade en metod baserad på maskininlärning som framgångsrikt tacklar denna utmaning. De utvecklade ett nytt sätt att beskriva material, genom att använda symmetrins matematik för att minska de oändliga sätt som atomer kan packa in i material till en ändlig uppsättning möjligheter. De använde sedan maskininlärning för att förutsäga den ideala packningen av atomer, givet grundämnena och deras relativa sammansättning i materialet.
Deras metod förutsäger exakt strukturen hos material som lovar för piezoelektriska och energiskördande tillämpningar, med över fem gånger effektiviteten jämfört med nuvarande metoder. Deras metod kan också hitta tusentals nya och stabila material som aldrig har tillverkats tidigare, på ett sätt som är beräkningseffektivt.
"Antalet material som är möjligt är fyra till fem storleksordningar större än det totala antalet material som vi har tillverkat sedan antiken", säger den första författaren Dr Rhys Goodall, också från Cavendish Laboratory. "Vår metod ger en effektiv beräkningsmetod som kan "bryta" nya stabila material som aldrig har tillverkats tidigare. Dessa hypotetiska material kan sedan beräkningsscreenas för deras funktionella egenskaper."
Forskarna använder nu sin maskininlärningsplattform för att hitta nya funktionella material som dielektriska material. De integrerar också andra aspekter av experimentella begränsningar i sin metod för materialupptäckt. + Utforska vidare
