Но команда из Northwestern Engineering и Лос-Аламосской национальной лаборатории нашла обходной путь. Группа разработала новый рабочий процесс, сочетающий машинное обучение и расчеты теории функционала плотности для создания руководящих принципов проектирования новых материалов, которые демонстрируют полезные электронные свойства, такие как сегнетоэлектричество и пьезоэлектричество.Немногие слоистые материалы обладают этими качествами в определенных геометрических формах, что имеет решающее значение для разработки решений проблем электроники, связи и энергетики, а это означает, что было очень мало данных, на основе которых можно было сформулировать рекомендации с использованием традиционных исследовательских подходов.
«Когда другие ищут новые материалы, обычно они ищут там, где у них есть много данных из аналогичных материалов. Это не всегда легко, но мы знаем, как извлечь информацию из больших наборов данных», — сказал Джеймс М. Рондинелли. , доцент кафедры материаловедения и инженерии Инженерной школы Маккормика. «Когда у вас мало информации, изучение данных становится сложной проблемой».
Исследование описано в статье «Изучение данных для разработки функциональных материалов без инверсионной симметрии», опубликованной 17 февраля 2017 года в журнале Nature Communications. Прасанна Балачандран из Лос-Аламосской национальной лаборатории в Нью-Мексико является соавтором статьи. Джошуа Янг, бывший аспирант лаборатории Рондинелли, и Тураб Лукман, старший научный сотрудник Лос-Аламоса, также внесли свой вклад.
При финансовой поддержке Национального научного фонда и Программы исследований и разработок, проводимых лабораторией через Лос-Аламос, группа Рондинелли сосредоточилась на классе двумерных сложных оксидов — оксидов Раддлесдена-Поппера. Эти материалы обладают многими технологическими свойствами, такими как сегнетоэлектричество и пьезоэлектричество, и могут взаимодействовать с традиционными полупроводниковыми материалами, используемыми в современных электронных устройствах.«В этом семействе набор данных ничтожен.
В настоящее время известно всего от 10 до 15 материалов с желаемыми свойствами», — сказал Рондинелли. «Это не так много данных, с которыми можно работать. Традиционно наука о данных используется для решения проблем с большими данными, где нет необходимости в знаниях предметной области».«Несмотря на то, что проблема заключается в небольшом объеме данных, — добавил Балачандран, — наш подход сработал, потому что мы смогли объединить наше понимание этих материалов (знания предметной области) с данными для информирования машинного обучения».
Таким образом, группа начала создавать базу данных известных материалов и использовать машинное обучение, подраздел компьютерных наук, который создает алгоритмы, способные учиться на данных, а затем использовать это обучение для более точных прогнозов. «С помощью машинного обучения мы можем идентифицировать химические составы, которые являются вероятными кандидатами в материал, который вы хотите разработать», — сказал он.Из более чем 3000 изученных возможных материалов подход науки о данных обнаружил более 200 перспективных кандидатов.
Затем команда применила несколько типов строгих квантово-механических расчетов. Это оценило атомные структуры потенциальных материалов и проверило их стабильность.«Мы задались вопросом: будет ли материал иметь предсказанную структуру? Имеет ли он электрическую поляризацию?
Можно ли это сделать в лаборатории?» Рондинелли добавил.Эта работа сузила возможности до 19, которые были рекомендованы для немедленного экспериментального синтеза.
Тем не менее, среди 200 кандидатов, вероятно, гораздо больше возможностей.Обычно при разработке новых материалов количество возможностей слишком велико, чтобы исследовать и развивать каждую из них.
Процесс проверки потенциальных материалов очень дорог, и ученые должны быть избирательны в своих инвестициях.«Наша работа может помочь сэкономить огромное количество времени и ресурсов», — сказал Балачандран. «Вместо изучения всех возможных материалов, для экспериментального исследования будут рекомендованы только те материалы, которые потенциально могут быть многообещающими».