Metode baru membuat prediksi yang lebih baik tentang properti material menggunakan data berkualitas rendah
Sciences

Metode baru membuat prediksi yang lebih baik tentang properti material menggunakan data berkualitas rendah


Skema pendekatan jaringan grafik multi-kesetiaan untuk memprediksi properti material baru. Kredit: Material Virtual Lab di UC San Diego

Kemajuan dalam teknologi energi, perawatan kesehatan, semikonduktor, dan produksi makanan semuanya memiliki satu kesamaan: mereka bergantung pada pengembangan bahan baru — kombinasi atom baru — yang memiliki sifat khusus yang memungkinkan mereka melakukan fungsi yang dibutuhkan. Di masa lalu yang tidak terlalu lama, satu-satunya cara untuk mengetahui properti apa yang dimiliki material adalah dengan melakukan pengukuran eksperimental atau menggunakan perhitungan yang sangat mahal.

Baru-baru ini, para ilmuwan telah menggunakan algoritma pembelajaran mesin untuk memprediksi dengan cepat sifat-sifat yang akan dimiliki oleh pengaturan atom tertentu. Tantangan dengan pendekatan ini adalah membutuhkan banyak data yang sangat akurat untuk melatih model, yang seringkali tidak ada.

Dengan menggabungkan sejumlah besar data fidelitas rendah dengan jumlah data fidelitas tinggi yang lebih kecil, teknisi nano dari Material Virtual Lab di UC San Diego telah mengembangkan metode pembelajaran mesin baru untuk memprediksi properti materi dengan lebih akurat daripada model yang ada. Yang terpenting, pendekatan mereka juga yang pertama untuk memprediksi sifat-sifat material tak teratur — material yang memiliki lokasi atom yang dapat ditempati oleh lebih dari satu elemen, atau dapat kosong. Mereka merinci pendekatan jaringan grafik multi-fidelitas pada 14 Januari di Ilmu Komputasi Alam.

“Saat Anda mendesain material baru, salah satu hal utama yang ingin Anda ketahui adalah apakah material tersebut cenderung stabil, dan jenis properti yang dimilikinya,” kata Shyue Ping Ong, profesor rekayasa nano di UC San. Diego Jacobs School of Engineering dan penulis korespondensi makalah. “Masalah mendasar adalah bahwa data akurat yang berharga, seperti pengukuran eksperimental, sulit didapat, meskipun kami memiliki database besar dengan properti penghitungan yang kurang akurat. Di sini, kami mencoba untuk mendapatkan yang terbaik dari kedua dunia — menggabungkan besar rendah- data fidelitas dan data fidelitas tinggi yang lebih kecil untuk meningkatkan akurasi model dalam prediksi bernilai tinggi. “

Sementara pendekatan multi-fidelitas lainnya ada, metode ini tidak berskala dengan baik atau terbatas hanya pada dua data yang sesuai. Mereka tidak seakurat atau dinamis seperti pendekatan jaringan grafik multi-fidelitas baru ini, yang dapat bekerja dengan jumlah fidelitas data yang tidak terbatas dan dapat ditingkatkan dengan sangat cepat.

Dalam makalah ini, insinyur nano melihat secara khusus pada celah pita material — properti yang digunakan untuk menentukan konduktivitas listrik, warna material, efisiensi sel surya, dan lainnya — sebagai bukti konsep. Jaringan grafik multi-fidelitas mereka menyebabkan penurunan 22-45% dalam kesalahan absolut rata-rata prediksi celah pita eksperimental, dibandingkan dengan pendekatan kesetiaan tunggal tradisional. Para peneliti juga menunjukkan bahwa pendekatan mereka dapat memprediksi energi molekul dengan kesetiaan tinggi secara akurat juga.

“Tidak ada batasan mendasar tentang properti apa yang dapat diterapkan ini,” kata Ong. “Pertanyaannya adalah jenis properti apa yang datanya kami miliki.”

Dalam waktu dekat, tim Ong berencana menggunakan metode baru ini untuk mengembangkan material yang lebih baik untuk penyimpanan energi, sel fotovoltaik, dan perangkat semikonduktor.

Saat memprediksi properti bahan yang dipesan, tim membuat penemuan kebetulan lainnya — dalam model pembelajaran mendalam grafik yang mereka gunakan, atribut atom direpresentasikan sebagai vektor embedding panjang-16 yang dipelajari. Dengan menginterpolasi vektor penyematan yang dipelajari ini, para peneliti menemukan bahwa mereka juga dapat membuat model prediktif untuk materi yang tidak teratur, yang memiliki situs atom yang dapat ditempati oleh lebih dari satu elemen atau kadang-kadang dapat kosong, membuat mereka lebih sulit untuk dipelajari menggunakan tradisional. metode.

“Sementara sebagian besar pekerjaan komputasi dan pembelajaran mesin berfokus pada materi yang dipesan, senyawa yang tidak teratur sebenarnya membentuk sebagian besar materi yang diketahui,” kata Chi Chen, asisten ilmuwan proyek di lab Ong, dan penulis pertama makalah tersebut. “Dengan menggunakan pendekatan ini, model jaringan grafik multi-fidelitas dapat mereproduksi tren di celah pita pada material yang tidak teratur dengan akurasi yang baik.”

Ini membuka pintu ke desain material baru yang jauh lebih cepat dan lebih akurat untuk memenuhi kebutuhan utama masyarakat.

“Apa yang kami tunjukkan dalam pekerjaan ini adalah Anda benar-benar dapat mengadaptasi algoritme pembelajaran mesin untuk memprediksi sifat materi yang tidak teratur. Dengan kata lain, sekarang kami dapat melakukan penemuan dan prediksi materi di seluruh ruang baik materi yang teratur maupun yang tidak teratur daripada Cuma pesan bahan, “kata Ong. “Sejauh yang kami tahu, itu yang pertama.”


Insinyur menggunakan jaringan grafik untuk secara akurat memprediksi sifat molekul dan kristal


Informasi lebih lanjut:
Ilmu Komputasi Alam, DOI: 10.1038 / s43588-020-00002-x

Disediakan oleh University of California – San Diego

Kutipan: Metode baru membuat prediksi yang lebih baik tentang properti material menggunakan data berkualitas rendah (2021, 14 Januari), diambil pada 14 Januari 2021 dari https://techxplore.com/news/2021-01-method-material-properties-quality.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize