Forskare har visat ett sätt att öka chanserna att lösa materialstrukturer genom att mata in data från flera experiment och teorier till en "global optimerare" som använder matematiska algoritmer för att begränsa utbudet av möjliga lösningar baserat på dess analys av de kompletterande datamängderna.
Material med kemikalier, optisk, och elektroniska egenskaper som drivs av strukturer som mäter miljarddelar av en meter kan leda till förbättrad energiteknik – från effektivare solceller till mer hållbara energitäta batterier. Vetenskapliga instrument som de vid Brookhaven Labs Center for Functional Nanomaterials (CFN) och den nyss öppnade National Synchrotron Light Source II (NSLS-II), både DOE Office of Science användarfaciliteter, erbjuda nya sätt att studera material på denna nanometerlängdskala - inklusive när de fungerar i faktiska enheter.
Dessa experiment producerar enorma mängder data, avslöjar viktiga detaljer om material. Men just nu har forskare inte de beräkningsverktyg de behöver för att använda dessa data för rationell materialdesign – ett steg som är viktigt för att påskynda upptäckten av material med de prestandaegenskaper som krävs för verkligheten, storskalig implementering. För att uppnå det målet, vad som behövs är ett nytt sätt att kombinera data från en rad experiment tillsammans med teoretiska beskrivningar av materialens beteende till giltiga prediktiva modeller som forskare kan använda för att utveckla kraftfulla nya material.
"Det finns en mycket god chans att expertis inom högpresterande beräkningar och tillämpade matematiska algoritmer utvecklade med stöd av DOE:s Office of Advanced Scientific Computing Research (ASCR) kan hjälpa oss att göra framsteg på denna gräns, sa Simon Billinge, en fysiker vid Brookhaven National Laboratory och Columbia University's School of Engineering and Applied Science. På SC14-konferensen, Simon presenterade en potentiell lösning som använder matematisk teori och beräkningsverktyg för att extrahera den information som är nödvändig för att stärka modeller för materialprestanda.
"Många av modellerna vi har för dessa material är inte robusta, " sa han. "Helst, vi skulle vilja kunna programmera i de egenskaper vi vill ha—säg, effektiv solenergiomvandling, supraledning, enorm elektrisk lagringskapacitet – och få modellen att spotta ut designen för ett nytt material som kommer att ha den egenskapen, men detta är helt klart omöjligt med opålitliga modeller."
Att hitta möjliga lösningar för ett material struktur genom global optimering av en modell som innehåller data från flera experimentella tekniker är beräkningsmässigt dyrt/tidskrävande, men måste göras flera gånger för att kontrollera om det finns mer än en lösning som är kompatibel med data. Varje prick i dessa triangeldiagram representerar ett annat sätt att kombinera indata från de tre experimenten och färgen indikerar antalet strukturlösningar som hittats för den kombinationen (rött är den mest unika lösningen). Först när det är gjort för många punkter kan forskarna nollställa den mest sannolika vanliga lösningen som står för all data. Det krävs högpresterande datorer för att hantera den beräkningsskala som krävs för att ge tydliga resultat.
Kraftfulla experimentella verktyg som NSLS-II möjliggör mer invecklade experiment. Men ironiskt nog, några av de nya teknikerna gör upptäcktsprocessen svårare.
Billinge förklarar:"Verkliga material och verkliga applikationer beror på fina detaljer i materialstrukturen, såsom defekter, ytor, och morfologi, så experiment som hjälper till att avslöja fina strukturella detaljer är viktiga. Men några av de mest intressanta materialen är mycket komplexa, och sedan görs de till ännu mer komplexa, flerkomponentsenheter. När vi placerar dessa komplexa enheter i en röntgen- eller neutronspridningsstrållinje, interaktioner mellan strålarna med alla komplexa komponenter ger överlappande resultat. Du letar efter små signaler från defekter och ytor gömda i en enorm bakgrund av annan information från de extra komponenterna, allt detta försämrar den användbara informationen."
På samma gång, komplexiteten hos de modeller som forskarna försöker bygga för att förstå dessa material ökar också, så de behöver mer information om dessa väsentliga detaljer för att matas in i modellen, inte mindre. Lösa dessa problem tillförlitlighet, med tanke på alla osäkerheter, kräver avancerade matematiska metoder och högpresterande beräkningar, så Simon och hans medarbetare arbetar med ASCR på ett tvådelat tillvägagångssätt för att förbättra processen.
På ingångssidan, de kombinerar resultat från flera experiment – röntgenspridning, neutronspridning, och även teori. På utgångssidan, forskarna försöker minska det som kallas modellens dimensionalitet. Billinge förklarade att detta liknar den komprimering som skapar en mp3-musikfil genom att släppa bort oväsentlig information som de flesta inte skulle märka saknas.
"Om vi minskar komplexiteten för att minimera den input som behövs för att göra problemet lösbart, vi kan köra det genom kraftfulla högpresterande datorer som använder avancerade matematiska metoder härledda från informationsteori, kvantifiering av osäkerhet, och andra dataanalystekniker för att sortera igenom alla detaljer, " sa han. De matematiska algoritmerna kan sätta ihop den kompletterande informationen från de olika experimenten - ungefär som liknelsen om de blinda männen som utforskar olika delar av en elefant, men nu delar och kombinerar deras resultat – och använder det för att förutsäga komplex materialstruktur.
"Som en mp3-fil, det saknas en del information i dessa modeller. Men med rätt representation kan det vara tillräckligt bra för att ha prediktivt värde och tillåta oss att designa nya material, sa Billinge.
