ИИ используется для обнаружения новых материалов
|
Группа исследователей во главе с Тревором Дэвидом Роуном из Политехнического института Ренсселера, доцентом кафедры физики, прикладной физики и астрономии, идентифицировала новые магниты Ван-дер-Ваальса (vdW) с использованием передовых инструментов искусственного интеллекта (ИИ). В частности, команда идентифицировала материалы vdW на основе галогенидов переходных металлов с большими магнитными моментами, которые, по прогнозам, будут химически стабильными с использованием полуконтролируемого обучения. Эти двумерные (2D) магниты vdW имеют потенциальное применение в хранении данных, спинтронике и даже в квантовых вычислениях. Рон специализируется на использовании информатики материалов для открытия новых материалов с неожиданными свойствами, которые продвигают науку и технологии. Информатика материалов — это новая область исследований на стыке ИИ и материаловедения. Последнее исследование его команды недавно было опубликовано на обложке Advanced Theory and Simulations. |
Двумерные материалы, которые могут быть толщиной с один атом, были обнаружены только в 2004 году и стали предметом большого научного любопытства из-за их неожиданных свойств. Двумерные магниты важны, потому что их дальний магнитный порядок сохраняется, когда они утончаются до одного или нескольких слоев. Это связано с магнитной анизотропией. Взаимодействие с этой магнитной анизотропией и низкой размерностью может привести к появлению экзотических спиновых степеней свободы, таких как спиновые текстуры, которые можно использовать при разработке архитектур квантовых вычислений. Двумерные магниты также охватывают весь спектр электронных свойств и могут использоваться в высокопроизводительных и энергоэффективных устройствах. |
Рон и его команда объединили расчеты теории функционала плотности (DFT) с высокой пропускной способностью, чтобы определить свойства материалов vdW, с ИИ для реализации формы машинного обучения, называемой полууправляемым обучением. Обучение с полуучителем использует комбинацию размеченных и неразмеченных данных для выявления закономерностей в данных и прогнозирования. Полууправляемое обучение смягчает серьезную проблему машинного обучения — нехватку помеченных данных. «Использование ИИ экономит время и деньги, — сказал Рон. «Типичный процесс обнаружения материалов требует дорогостоящего моделирования на суперкомпьютере, которое может занять месяцы. Лабораторные эксперименты могут занять еще больше времени и могут быть дороже. Подход ИИ может ускорить процесс обнаружения материалов». Используя исходное подмножество из 700 расчетов DFT на суперкомпьютере, была обучена модель ИИ, которая могла предсказывать свойства многих тысяч материалов-кандидатов за миллисекунды на ноутбуке. |
Затем команда определила перспективные материалы-кандидаты vdW с большими магнитными моментами и низкой энергией образования. Низкая энергия образования является показателем химической стабильности, что является важным требованием для синтеза материала в лаборатории и последующего промышленного применения. «Наша структура может быть легко применена для исследования материалов с различной кристаллической структурой», — сказал Рон. «Прототипы смешанной кристаллической структуры, такие как набор данных как галогенидов переходных металлов, так и трихалькогенидов переходных металлов, также могут быть исследованы с помощью этой структуры». «Применение доктором Роуном искусственного интеллекта в области материаловедения продолжает приносить потрясающие результаты», — сказал Курт Бренеман, декан Научной школы Ренсселера. «Он не только ускорил наше понимание 2D-материалов с новыми свойствами, но его открытия и методы, вероятно, будут способствовать развитию новых технологий квантовых вычислений». |
Источник |
При использовании материалов с сайта активная ссылка на него обязательна
|