Rice University-forskare använde en mikrostrukturmodell av strålningsskadad hexagonal bornitrid för att hjälpa dem att studera fördelarna med djupinlärningstekniker för att simulera tvådimensionella material för att förstå deras egenskaper. Kredit:Prabhas Hundi/Rice University
Forskare upptäcker nya tvådimensionella material i snabb takt, men de vet inte alltid omedelbart vad dessa material kan göra.
Forskare vid Rice Universitys Brown School of Engineering säger att de kan ta reda på det snabbt genom att mata grundläggande detaljer om deras strukturer till "deep learning"-agenter som har makten att kartlägga materialens egenskaper. Ännu bättre, agenterna kan snabbt modellera material som forskare funderar på att göra för att underlätta "bottom-up"-design av 2D-material.
Rouzbeh Shahsavari, en biträdande professor i civil- och miljöteknik, och Rice-studenten Prabhas Hundi utforskade förmågan hos neurala nätverk och flerskiktsperceptroner som tar minimala data från de simulerade strukturerna av 2D-material och gör "rimligt noggranna" förutsägelser av deras fysiska egenskaper, som styrka, även efter att de har skadats av strålning och höga temperaturer.
Väl utbildad, Shahsavari sa, dessa medel skulle kunna anpassas för att analysera nya 2D-material med så lite som 10 procent av deras strukturella data. Det skulle ge en analys av materialets styrkor med cirka 95 procents noggrannhet, han sa.
"Detta tyder på att överföringsinlärning (där en algoritm för djupinlärning tränad på ett material kan appliceras på ett annat) är en potentiell spelväxlare när det gäller materialupptäckt och karaktäriseringsmetoder, " föreslog forskarna.
Resultaten av deras omfattande tester på grafen och hexagonal bornitrid visas i tidskriften Små .
Sedan upptäckten av grafen 2004, Atomtjocka material har hyllats för sin styrka och utbud av elektroniska egenskaper för kompositer och elektronik. Eftersom deras atomarrangemang har en betydande inverkan på deras egenskaper, forskare använder ofta simuleringar av molekylär dynamik för att analysera strukturerna hos nya 2D-material även innan de försöker göra dem.
Rice University doktorand Prabhas Hundi, vänster, och Rouzbeh Shahsavari, en biträdande professor i civil- och miljöteknik, använder djupinlärningstekniker för att påskynda simuleringar av nya tvådimensionella material för att förstå deras egenskaper och hur de påverkas av hög temperatur och strålning. Kredit:Jeff Fitlow/Rice University
Shahsavari sa att djupinlärning erbjuder en betydande hastighetsökning jämfört med sådana traditionella simuleringar av 2D-material och deras egenskaper, tillåter beräkningar som nu tar dagar av superdatortid att köra i timmar.
"Eftersom vi kan bygga våra struktur-egenskapskartor med bara en bråkdel av data från grafen eller bornitrid molekylära dynamiksimuleringar, vi ser en storleksordning mindre beräkningstid för att få ett fullständigt beteende hos materialet, " han sa.
Shahsavari sa att labbet bestämde sig för att studera grafen och hexagonal bornitrid för deras höga tolerans mot försämring under höga temperaturer och i strålningsrika miljöer, viktiga egenskaper för material i rymdfarkoster och kärnkraftverk. Eftersom Shahsavari-gruppen redan hade utfört mer än 11, 000 strålningskaskadskador molekylära dynamiksimuleringar för ett annat papper om 2D-material, de hade incitament att se om de kunde återskapa sina resultat med en mycket snabbare metod.
De körde tusentals "deep learning"-simuleringar på 80 kombinationer av strålning och temperatur för hexagonal bornitrid och 48 kombinationer för grafen, träffar varje kombination med 31 slumpmässiga doser av simulerad strålning. För vissa, forskarna tränade djupinlärningsagenten med maximalt 45 procent av data från deras molekylära dynamikstudie, uppnå upp till 97 procents noggrannhet i att förutsäga defekter och deras effekter på materialets egenskaper.
Anpassa utbildade agenter till olika material, de hittade, krävde bara cirka 10 procent av de simulerade data, påskyndar processen avsevärt med bibehållen god noggrannhet.
"Vi försökte ta reda på motsvarande reststyrkor hos materialen efter exponering för extrema förhållanden, tillsammans med alla defekter, " sa han. "Som förväntat, när medeltemperaturen eller strålningen var för hög, reststyrkan blev ganska låg. Men den trenden var inte alltid uppenbar."
I vissa fall, han sa, den kombinerade högre strålningen och högre temperaturer gjorde ett material mer robust istället för mindre, och det skulle hjälpa forskare att veta det innan de tillverkar en fysisk produkt.
"Vår djupinlärningsmetod för utveckling av struktur-egenskapskartor kan öppna upp ett nytt ramverk för att förstå beteendet hos 2D-material, upptäcka deras icke-intuitiva gemensamma drag och anomalier, och så småningom bättre designa dem för skräddarsydda applikationer, sa Shahsavari.
