|
Анализ научной литературы с помощью ИИ
|
|
|
|
Искусственный интеллект проанализировал данные, разбросанные по сотням научных статей, чтобы обнаружить новые бессвинцовые диэлектрические материалы, сохраняющие стабильные характеристики даже при высоких температурах. В исследовании представлен новый подход, который может превратить процесс поиска материалов из метода проб и ошибок в процесс, основанный на данных.
|
|
|
|
Инженерный факультет Сеульского национального университета объявил, что исследовательская группа под руководством профессора Хо Вон Чжана с кафедры материаловедения и инженерии разработала технологию проектирования бессвинцовых диэлектрических материалов путем объединения данных, извлеченных из научной литературы, с машинным обучением, основанным на физических принципах. Кванву Сонг, студент, обучающийся по интегрированной программе магистратуры и докторантуры, выступил в качестве первого автора и руководил общим исследованием, в то время как студент, обучающийся по интегрированной программе магистратуры и докторантуры Ёнмин Ким и научный сотрудник Чжэхён Ким участвовали в совместном исследовании.
|
|
|
|
Диэлектрики — это изоляционные материалы, которые предотвращают прямое протекание электричества, одновременно накапливая электрический заряд. Они являются ключевыми материалами в многослойных керамических конденсаторах (MLCC), используемых в смартфонах, электромобилях и других электронных устройствах. Чем выше диэлектрическая постоянная, тем больше электрической энергии может запасти компонент того же размера. Однако для практического использования в электронных устройствах диэлектрические характеристики должны оставаться стабильными при высоких температурах.
|
|
|
|
|
|
|
Исследовательская группа объединила многомодальный анализ литературы, который автоматически извлекает информацию, распределенную по тексту, таблицам и графикам научных статей, с машинным обучением, основанным на физических принципах, чтобы разработать подход обратного проектирования, который сначала определяет составы с высокой вероятностью соответствия целевым требованиям к характеристикам. После создания набора данных из 1202 записей о диэлектрических свойствах из 448 статей исследователи изучили виртуальное пространство составов, насчитывающее приблизительно 150 миллионов вариантов, и сузили его до 37 кандидатов. Затем они синтезировали два из этих составов и экспериментально подтвердили как высокие значения диэлектрической постоянной, так и превосходную стабильность при высоких температурах.
|
|
|
|
Поскольку все больше электронных устройств работают при высоких температурах — включая электромобили, силовую электронику и аэрокосмическое оборудование — возрастает важность диэлектрических материалов, сохраняющих стабильную работу, несмотря на колебания температуры. В частности, релаксорные сегнетоэлектрики, электрический отклик которых изменяется относительно постепенно с температурой, потенциально могут сочетать высокие диэлектрические постоянные со стабильностью в широком диапазоне температур.
|
|
|
|
Однако даже при ограничении поиска бессвинцовыми составами количество потенциальных кандидатов практически безгранично из-за множества возможных комбинаций элементов и соотношений смешивания, что делает метод проб и ошибок дорогостоящим и трудоемким. Более того, соответствующие данные разбросаны по тексту, таблицам и графикам разных статей, а условия измерения, такие как температура, частота и характеристики образцов, варьируются от исследования к исследованию, что затрудняет прямое использование данных для обучения машинного обучения.
|
|
|
|
Для решения этих проблем исследователи разработали структуру машинного обучения, которая объединяет информацию, распределенную по множеству статей, в единый формат, одновременно учитывая физические законы для поиска материалов, которые могут реально существовать. Команда использовала большие языковые модели для организации состава и условий обработки из текста и таблиц научных статей, одновременно преобразуя графы в числовые данные для извлечения зависящих от температуры диэлектрических свойств.
|
|
|
|
В результате этого процесса было получено 1202 записи, охватывающие состав, условия обработки и диэлектрические свойства из 448 статей. Затем исследователи включили 22 физических дескриптора, включая элементный состав и микроструктуру, чтобы интегрировать информацию, разбросанную по различным публикациям, в единый обучающий набор данных. Далее они объединили 30 независимо обученных моделей машинного обучения для одновременного прогнозирования трех ключевых показателей, связанных с диэлектрической постоянной и температурной стабильностью. Разработанная структура также позволяла оценивать согласованность прогнозов моделей, что давало возможность отдавать приоритет кандидатам с более высокой степенью достоверности прогнозирования.
|
|
|
|
После последовательного применения предопределенных целевых показателей производительности и физико-химических ограничений к примерно 150 миллионам виртуальных составов команда сузила пространство поиска до 37 материалов-кандидатов. Затем исследователи точно скорректировали соотношения компонентов в семействе составов, содержащем наибольшее количество оставшихся кандидатов, и выбрали два состава для экспериментального тестирования.
|
|
|
|
Эксперименты показали, что два образца, в которых было замещено 1 мол.% и 2 мол.% олова (Sn), продемонстрировали высокие диэлектрические постоянные при комнатной температуре, равные 3422 и 3307 соответственно. Небольшое количество замещения Sn создало благоприятный компромисс, улучшив температурную стабильность без существенного снижения диэлектрической постоянной.
|
|
|
|
По сравнению с титанатом бария (BaTiO3), широко используемым в современных многослойных керамических конденсаторах, новые разработанные материалы также показали более стабильно высокие диэлектрические постоянные в более широком диапазоне температур. Оба образца удовлетворяли требованиям высокотемпературной стабильности международных стандартов X5R, X6R и X7R для многослойных керамических конденсаторов и показали одни из самых высоких значений диэлектрической постоянной по сравнению с ранее опубликованными данными для материалов того же композиционного семейства.
|
|
|
|
X5R, X6R и X7R: Классификация температурной стабильности диэлектрических материалов, используемых в многослойных керамических конденсаторах, в целом указывающая, остается ли диэлектрическая постоянная в пределах ±15% от своего значения при 25°C в диапазоне температур от -55°C до 85°C, 105°C и 125°C соответственно.
|
|
|
|
Как олово улучшило стабильность
|
|
|
|
Исследователи объединили данные о процессе принятия решений моделью машинного обучения с результатами пьезорезонансной силовой микроскопии, рамановской спектроскопии и электронной микроскопии с атомным разрешением. Их анализ выявил основной механизм, посредством которого небольшое количество Sn расширяет кристаллическую структуру и увеличивает электрическую неоднородность на атомном уровне, тем самым повышая температурную стабильность.
|
|
|
|
Это исследование имеет важное значение, поскольку демонстрирует методологию исследования, которая использует ИИ для интеграции и анализа данных, разбросанных по всей научной литературе, а затем применяет эти данные для проектирования новых материалов. Исследователи полагают, что этот подход может быть применен и к разработке широкого спектра других материалов, таких как функциональные оксиды и тонкие пленки, для которых соответствующие данные распространены в многочисленных публикациях. Ожидается, что бессвинцовые диэлектрики, подтвержденные в этом исследовании, найдут применение в разработке высокотемпературных многослойных керамических конденсаторов, а также электронных компонентов для электромобилей, силовой электроники и аэрокосмических систем.
|
|
|
|
Джанг сказал: «Значение этого исследования заключается не просто в прогнозировании производительности с помощью машинного обучения, а в интеграции информации, разбросанной по множеству статей, в обучающий набор данных, а затем в учете как физических законов, так и согласованности между прогнозами модели, чтобы сузить поиск до кандидатов, которые действительно могут быть синтезированы.
|
|
|
|
Мы надеемся, что стратегия, представленная в этом исследовании — сочетание многомодального анализа литературы с машинным обучением, основанным на физических принципах, — распространится за пределы диэлектрических материалов на открытие других функциональных оксидов и тонкопленочных материалов, где данные разбросаны по многочисленным статьям и форматам и, следовательно, требуют систематической интеграции».
|
|
|
|
За пределами одного класса материалов
|
|
|
|
Сонг, первый автор исследования и студент, обучающийся по интегрированной программе магистратуры и докторантуры, руководил всем исследовательским процессом, от создания набора данных, полученного из литературы, и разработки моделей машинного обучения до отбора материалов-кандидатов и проведения экспериментальной проверки. В настоящее время он проводит исследования по открытию новых материалов на основе машинного обучения, расширяя свою работу на ряд электронных материалов, включая новые бессвинцовые диэлектрики и многослойные керамические конденсаторы (MLCC). Он занимается разработкой составов, а также материалов для оксидных каналов полупроводниковых транзисторов. Опираясь на этот исследовательский опыт, он планирует продолжить исследования и разработки высокоэффективных электронных и диэлектрических материалов.
|
|
|
|
Тем временем, исследовательская группа Чжана ранее использовала ИИ для открытия и экспериментальной проверки катализатора электролиза воды на основе отдельных атомов вольфрама, не являющегося драгоценным металлом, для производства экологически чистого водорода в исследовании, проведенном под руководством постдокторанта Джехёна Кима, который выступил в качестве первого автора. Это исследование также было опубликовано в журнале Nature Communications.
|
|
|
|
Источник
|
