March 29, 2024

Machine learning wordt gebruikt om de synthese van complexe nieuwe materialen te voorspellen

Machine learning maakt materiaalontdekking mogelijk. Krediet: Northwestern University

Wetenschappers en instellingen besteden elk jaar meer middelen aan het ontdekken van nieuwe materialen om de wereld te voeden. Met afnemende natuurlijke hulpbronnen en een toenemende vraag naar producten met een hogere waarde en geavanceerde prestaties, kijken onderzoekers steeds vaker naar nanomaterialen.


Nanodeeltjes hebben al hun weg gevonden naar toepassingen variërend van energieopslag en -conversie tot kwantumcomputers en therapieën. Maar gezien de uitgebreide samenstelling en structurele synthese, maakt nanochemie de identificatie mogelijk van seriële experimentele benaderingen nieuw materiaal Onoverkomelijke beperkingen opleggen aan ontdekking.

Nu hebben onderzoekers van de Northwestern University en het Toyota Research Institute (TRI) zich met succes aangemeld machine learning Om de synthese van nieuwe nanomaterialen te begeleiden, door barrières weg te nemen die verband houden met materiaalontdekking. Het hoogopgeleide algoritme werd door een specifieke dataset gezeefd om nauwkeurig nieuwe structuren te voorspellen die processen in de schone energie-, chemische en auto-industrie zouden kunnen voeden.

“We vroegen het model om ons te vertellen welke mengsels van maximaal zeven elementen iets zouden maken dat nog niet eerder was gemaakt”, zegt Chad Mirkin, een nanotechnologie-expert bij Northwestern en corresponderende auteur op het papier. “De machine voorspelde 19 mogelijkheden, en na elk van hen empirisch te hebben getest, ontdekten we dat 18 van de voorspellingen correct waren.”

De studie, “Accelerated Design for Machine Learning and Synthesis of Multi-Element Heterostructures”, zal op 22 december in het tijdschrift worden gepubliceerd. wetenschappelijke vooruitgang.

Mirkin hoogleraar scheikunde door George B. Rathman aan het Weinberg College of Arts and Sciences. Hoogleraar Chemische, Biologische en Biomedische Technologie, en Materiaal kunde en techniek aan het McCormick College of Engineering; en hoogleraar geneeskunde aan de Feinberg School of Medicine. Hij is ook de oprichter en directeur van het International Institute for Nanotechnology.

Genoommateriaal in kaart brengen

Wat dit volgens Mirkin zo belangrijk maakt, is toegang tot datasets van ongekend hoge kwaliteit, omdat machine learning-modellen en AI-algoritmen alleen zo goed kunnen zijn als de gegevens die worden gebruikt om ze te trainen.

Mirkin vond het hulpmiddel voor het genereren van gegevens uit, de Megall-bibliotheek, en het vergroot het gezichtsveld van de onderzoeker aanzienlijk. Elke enorme bibliotheek bevat miljoenen of zelfs miljarden nanostructuren, elk met een enigszins verschillende vorm, structuur en samenstelling, allemaal topisch gecodeerd op een chip van 2 x 2 vierkante cm. Tot nu toe bevat elke dia meer nieuwe anorganische materialen dan ooit tevoren verzameld en geclassificeerd door wetenschappers.

Het team van Mirkin ontwikkelde Megal-bibliotheken met behulp van een technologie (ook uitgevonden door Mirkin) genaamd polymeerpenlithografie, een grootschalige parallelle nanolithografie waarmee honderdduizenden kenmerken per seconde kunnen worden gedeponeerd.

Bij het toewijzen van een bestand menselijke genenGeleerden zijn belast met het identificeren van sets van vier basen. Maar het los synoniem “genoom van materialen” omvat de nanodeeltjesclusters van elk van de 118 bruikbare elementen in het periodiek systeem, evenals parameters van vorm, grootte, fasemorfologie, kristalstructuur en meer. Het bouwen van kleinere subsets van nanodeeltjes in enorme bibliotheken zal onderzoekers dichter bij het voltooien van een volledige kaart van het genoom van het materiaal brengen.

Zelfs met iets dat lijkt op het ‘genoom’ van materialen, zei Mirkin, zijn verschillende hulpmiddelen nodig om te beslissen hoe ze te gebruiken of te classificeren.

“Zelfs als we materialen sneller zouden kunnen maken dan wie dan ook op aarde, zou dat nog steeds een druppel water in een potentiële oceaan zijn”, zei Mirkin. “We willen het genoom van materialen definiëren en ze ontginnen, en dat doen we door middel van kunstmatige intelligentie.”

Machine learning-applicaties zijn bij uitstek geschikt om de complexiteit van het identificeren en ontginnen van materiaalgenomen aan te pakken, maar worden beheerst door de mogelijkheid om datasets te creëren om algoritmen in de ruimte te trainen. Merkin zei dat de combinatie van Megal-bibliotheken en machine learning dit probleem uiteindelijk kan elimineren, wat leidt tot een beter begrip van de parameters die de eigenschappen van bepaalde materialen aansturen.

Stoffen die geen enkele chemicus kan voorspellen.

Als megabibliotheken een kaart bieden, levert machine learning de legende.

Megal Libraries gebruiken als bron van hoogwaardige, grootschalige materiële gegevens voor training Kunstmatige intelligentie Algoritmen (AI) stellen onderzoekers in staat om afstand te nemen van de “sterke chemische intuïtie” en opeenvolgende experimenten die gewoonlijk gepaard gaan met het materiaalontdekkingsproces, aldus Mirkin.

“Northwestern heeft ultramoderne assemblage- en karakteriseringsmogelijkheden om de structuren van onze materialen te bepalen,” zei Mirkin. “We hebben met het AI-team van TRI samengewerkt om gegevensinvoer te creëren voor AI-algoritmen die uiteindelijk deze voorspellingen deden over materialen die geen enkele chemicus zou kunnen maken.”

In het onderzoek synthetiseerde het team structurele gegevens die eerder waren gegenereerd in de Megal-bibliotheek, bestaande uit nanodeeltjes met complexe composities, structuren, maten en vormen. Ze gebruikten deze gegevens om het model te trainen en vroegen het om de combinaties van vier, vijf en zes elementen te voorspellen die tot een bepaald structureel kenmerk zouden leiden. In 19 voorspellingen voorspelde het machine learning-model het nieuwe materiaal 18 keer correct – met een nauwkeurigheid van bijna 95%.

Met weinig kennis van scheikunde of natuurkunde, met alleen de trainingsgegevens, kon het model nauwkeurig complexe structuren voorspellen die nooit op aarde hebben bestaan.

“Zoals deze gegevens suggereren, kan de toepassing van machine learning, gecombineerd met megabibliotheektechnologie, de manier zijn om uiteindelijk de genomen van materialen te identificeren”, zegt Joseph Montoya, senior onderzoeker van TRI.

Metalen nanodeeltjes zijn veelbelovend voor het katalyseren van kritische industriële reacties zoals de evolutie van waterstof en koolstofdioxide (CO).2) Reductie en zuurstofreductie en de evolutie ervan. Het model is getraind op een grote dataset gebouwd in het noordwesten om te zoeken naar polymetallische nanodeeltjes met specifieke parameters over fase, grootte, afmetingen en andere structurele kenmerken die de eigenschappen en functie van de nanodeeltjes veranderen.

Megabibliotheektechnologie kan ook leiden tot ontdekkingen op vele gebieden die cruciaal zijn voor de toekomst, waaronder plasticrecycling, zonnecellen, supergeleiders en qubits.

Een hulpmiddel dat na verloop van tijd beter werkt

Vóór de komst van enorme bibliotheken werden machine learning-tools getraind op onvolledige datasets die door verschillende mensen op verschillende tijdstippen waren verzameld, wat hun voorspelbaarheid en generaliseerbaarheid beperkte. Met de bibliotheken van Megal kunnen machine learning-tools doen waar ze het beste in zijn: leren en na verloop van tijd slimmer worden. Mirkin zei dat hun model alleen maar beter zal worden in het voorspellen van de juiste onderwerpen, omdat het wordt gevoed met meer hoogwaardige gegevens die onder gecontroleerde omstandigheden zijn verzameld.

“Het creëren van deze AI-mogelijkheid gaat over het kunnen voorspellen welke materialen nodig zijn voor elke toepassing”, zei Montoya. “Hoe meer gegevens we hebben, hoe meer voorspellende kracht we hebben. Wanneer je een AI begint te trainen, begin je deze te lokaliseren op één dataset, en terwijl het leert, voeg je steeds meer gegevens toe – het is alsof je een kind neemt en van kleuterschool naar doctoraat De gecombineerde ervaring en kennis bepaalt uiteindelijk hoe ver ze kunnen gaan.”

Het team gebruikt deze aanpak nu om kritische katalysatoren te vinden voor brandstofprocessen in de schone energie-, automobiel- en chemische industrie. Identificatie van nieuwe groene katalysatoren zal de omzetting van afvalproducten en overvloedige grondstoffen in bruikbaar materiaal, waterstofopwekking, gebruik van koolstofdioxide en ontwikkeling van brandstofcellen mogelijk maken. De geproduceerde katalysatoren kunnen ook worden gebruikt om dure en zeldzame materialen te vervangen, zoals iridium, het metaal dat wordt gebruikt om groene waterstof en koolstofdioxide te genereren.2 korting producten.


Hiërarchische assemblageroutes die coderen voor eiwitten


meer informatie:
Carolin B. Wahl et al., Machine Learning – Versneld ontwerp en synthese van heterogene structuren met meerdere componenten, wetenschappelijke vooruitgang (2021). DOI: 10.1126 / sciadv.abj5505. www.science.org/doi/10.1126/sciadv.abj5505

de Quote: Machine Learning gebruikt om de synthese van complexe nieuwe materialen te voorspellen (2021, 22 december) Ontvangen op 22 december 2021 van https://phys.org/news/2021-12-machine-synthesis-complex-materials.html

Op dit document rust copyright. Niettegenstaande elke eerlijke handel met het oog op eigen studie of onderzoek, mag geen enkel deel worden gereproduceerd zonder schriftelijke toestemming. De inhoud is uitsluitend bedoeld voor informatieve doeleinden.