Maskininlärning, ett fält inriktat på att träna datorer för att känna igen mönster i data och göra nya förutsägelser, hjälper läkare att diagnostisera sjukdomar mer exakt och aktieanalytiker förutsäga uppgång och fall på finansmarknaderna. Och nu har materialvetare banat väg för en annan viktig applikation för maskininlärning – att hjälpa till att påskynda upptäckten och utvecklingen av nya material.

Forskare vid Center for Nanoscale Materials and the Advanced Photon Source, båda US Department of Energy (DOE) Office of Science User Facilities vid DOE's Argonne National Laboratory, tillkännagav användningen av maskininlärningsverktyg för att exakt förutsäga den fysiska, kemiska och mekaniska egenskaper hos nanomaterial.

I en studie publicerad i Journal of Physical Chemistry Letters , ett team av forskare under ledning av Argonne-beräkningsforskaren Subramanian Sankaranarayanan beskrev deras användning av verktyg för maskininlärning för att skapa den första modellen på atomnivå som exakt förutsäger de termiska egenskaperna hos stanen, ett tvådimensionellt (2-D) material bestående av ett tennark tjockt ark.

Studien avslöjar för första gången en metod för materialmodellering som tillämpar maskininlärning och är mer exakt på att förutsäga materialegenskaper jämfört med tidigare modeller.

"Prediktiv modellering är särskilt viktig för nyupptäckta material, att lära sig vad de är bra för, hur de reagerar på olika stimuli och även hur man effektivt odlar materialet för kommersiella tillämpningar – allt innan du investerar i kostsam tillverkning, " sa Argonne postdoktor Mathew Cherukara, en av studiens huvudförfattare.

Traditionellt, modeller i atomskala har tagit år att utveckla, och forskare har till stor del fått förlita sig på sin egen intuition för att identifiera de parametrar som en modell skulle byggas på. Men genom att använda en maskininlärningsmetod, Cherukara och andra forskare kunde minska behovet av mänsklig input och samtidigt förkorta tiden för att skapa en exakt modell ner till några månader.

"Vi matar in data som erhållits från experimentella eller dyra teoribaserade beräkningar, och fråga sedan maskinen, "Kan du ge mig en modell som beskriver alla dessa egenskaper?" Sa Badri Narayanan, en postdoktor i Argonne och en annan huvudförfattare till studien. "Vi kan också ställa frågor som "Kan vi optimera strukturen, framkalla defekter eller skräddarsy materialet för att få specifika önskade egenskaper? '"

Till skillnad från de flesta tidigare modeller, maskininlärningsmodellen kan fånga bindningsbildning och brytningshändelser exakt; detta ger inte bara mer tillförlitliga förutsägelser av materialegenskaper (t.ex. värmeledningsförmåga), men gör det också möjligt för forskare att fånga kemiska reaktioner exakt och bättre förstå hur specifika material kan syntetiseras.

En annan fördel med att bygga modeller med hjälp av maskininlärning är att processen inte är materialberoende, vilket innebär att forskare kan titta på många olika klasser av material och tillämpa maskininlärning på olika andra element och deras kombinationer.

Beräkningsmodellen Cherukara, Narayanan och deras kollegor har utvecklat beskriver stanene, en struktur gjord av tenn som har fångat forskarnas blick de senaste åren. Intresset för stenen speglar ett växande intresse för 2-D-material som utvecklas från 2004-upptäckten av grafen, ett enskiktsarrangemang av kol med attraktiv elektronisk, termiska och mekaniska egenskaper. Medan stanen fortfarande är långt ifrån kommersialisering, forskare finner det lovande för tillämpningar inom termisk hantering (reglering av värme) över vissa enheter i nanoskala.

Studien, " Ab Initio -Baserad obligationsorderpotential för att undersöka låg termisk ledningsförmåga hos Stanene nanostrukturer, " dök upp i Journal of Physics Chemistry Letters .