Используя инструменты машинного обучения, ученые определили важные особенности, позволяющие охарактеризовать материалы, демонстрирующие переход металл-изолятор. Фото: Северо-Западный университет и Массачусетский технологический институт.
Эта работа может позволить ученым ускорить открытие материалов, демонстрирующих переход металл-изолятор.
Междисциплинарная группа ученых из Northwestern Engineering и Массачусетского технологического института использовала методы искусственного интеллекта (ИИ) для создания новых, бесплатных и простых в использовании инструментов, которые позволяют ученым ускорить темпы открытия и изучения материалов, демонстрирующих переход металл-изолятор (MIT), а также выявить новые особенности, которые позволяют описать этот класс материалов.
Одним из ключей к созданию более быстрых и энергоэффективных микроэлектронных устройств, а также к разработке новых компьютерных архитектур является открытие новых материалов с настраиваемыми электронными свойствами. Электрическое сопротивление MIT может проявлять металлическое или изолирующее электронное поведение, в зависимости от свойств окружающей среды.
Хотя некоторые материалы, обладающие MIT, уже реализованы в электронных устройствах, известно лишь менее 70 материалов с этим свойством, и еще меньше материалов обладают характеристиками, необходимыми для интеграции в новые электронные устройства. Кроме того, эти материалы электрически переключаются за счет множества механизмов, что затрудняет получение общего представления об этом классе материалов.
«Предоставляя базу данных, онлайн-классификатор и новый набор функций, наша работа открывает новые пути к пониманию и открытию этого класса материалов», — сказал Джеймс Рондинелли, профессор Морриса Э. Файна по материалам и производству в Школе Маккормика. Инженерное дело и соответствующий главный исследователь исследования. «Кроме того, эта работа может быть использована другими учеными и применена к другим классам материалов для ускорения открытия и понимания других классов квантовых материалов».
«Одним из ключевых элементов наших инструментов и моделей является то, что они доступны широкой аудитории; ученым и инженерам не нужно разбираться в машинном обучении, чтобы использовать их, точно так же, как не нужно глубоко понимать по области применения алгоритмы для навигации по Интернету», — сказал Александру Джорджеску, научный сотрудник лаборатории Рондинелли, который является первым соавтором исследования.
Команда представила свое исследование в статье «База данных, особенности и модель машинного обучения для идентификации термически управляемых переходных соединений металл-изолятор», опубликованной 6 июля 2021 года в академическом журнале. Химия материалов.
Дэниел Апли, профессор промышленной инженерии и управления в Northwestern Engineering, был со-ведущим исследователем. Эльза А. Оливетти, Эстер и Гарольд Э. Эдгертоны, доцент кафедры материаловедения и инженерии Массачусетского технологического института, также были со-основными исследователями.
Используя свои существующие знания о материалах MIT в сочетании с обработкой естественного языка (NLP), исследователи изучили существующую литературу, чтобы идентифицировать 60 известных соединений MIT, а также 300 материалов, которые похожи по химическому составу, но не имеют MIT. Команда предоставила полученные материалы, а также особенности, которые она определила как релевантные, ученым. свободно доступная база данных для публичного использования.
Затем, используя инструменты машинного обучения, ученые определили важные особенности, характеризующие эти материалы. Они подтвердили важность некоторых особенностей, таких как известные расстояния между ионами переходных металлов или электростатическое отталкивание между некоторыми из них, а также точность модели. Они также выявили новые, ранее недооцененные особенности, например, насколько атомы отличаются друг от друга по размеру или насколько ионными или ковалентными являются межатомные связи. Было обнаружено, что эти функции имеют решающее значение для разработки надежной модели машинного обучения для материалов MIT, которая была упакована в открытый доступный формат.
«Этот бесплатный инструмент позволяет любому быстро получить вероятностные оценки того, является ли изучаемый материал металлом, изолятором или переходным соединением металл-изолятор», — сказал Апли.
Ссылка: «База данных, функции и модель машинного обучения для идентификации термически управляемых переходных соединений металл-изолятор», Александру Б. Джорджеску, Пейвен Рен, Обри Р. Толанд, Шэнтонг Чжан, Кайл Д. Миллер, Дэниел В. Апли, Эльза А. Оливетти, Николас Вагнер и Джеймс М. Рондинелли, 6 июля 2021 г., Химия материалов.
DOI: 10.1021/acs.chemmater.1c00905.
Работа над этим исследованием родилась в результате проектов в рамках междисциплинарной кластерной программы Predictive Science and Engineering Design (PS&ED), спонсируемой Высшей школой Северо-Западного университета. Исследование также было поддержано программой «Проектирование материалов для революционизации и проектирования нашего будущего» (DMREF) Национального научного фонда и программой ДИФФЕРЕНЦИАТ Агентства перспективных исследований энергетики (ARPA-E), которая направлена на использование новейших технологий искусственного интеллекта для решить серьезные энергетические и экологические проблемы.
