• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Chimie
    Une nouvelle approche détermine des conceptions de matériaux optimales avec un minimum de données

    Crédit :Université Northwestern

    Des chercheurs de la Northwestern University ont développé une nouvelle approche informatique pour accélérer la conception de matériaux présentant des transitions métal-isolant (MIT), une classe rare de matériaux électroniques qui ont montré le potentiel de lancer la conception et la livraison futures de microélectronique et de systèmes d'information quantique plus rapides - des technologies fondamentales derrière les appareils de l'Internet des objets et les centres de données à grande échelle qui alimentent la façon dont les humains travaillent et interagissent avec les autres.

    La nouvelle stratégie, une collaboration entre les professeurs James Rondinelli et Wei Chen, techniques intégrées d'inférence statistique, théorie de l'optimisation, et la physique numérique des matériaux. L'approche combine une optimisation bayésienne multi-objectifs avec des processus gaussiens à variables latentes pour optimiser les caractéristiques idéales dans une famille de matériaux MIT appelés spinelles lacunaires complexes.

    Lorsque les chercheurs recherchent de nouveaux matériaux, ils recherchent généralement dans des endroits où des données existantes sur des matériaux similaires existent déjà. La conception de nombreuses classes de propriétés de matériaux a été accélérée dans les travaux existants avec des méthodes basées sur les données assistées par la génération de données à haut débit couplée à des méthodes telles que l'apprentissage automatique.

    De telles approches, cependant, n'étaient pas disponibles pour les matériaux du MIT, classés par leur capacité à basculer de manière réversible entre les états électriquement conducteur et isolant. La plupart des modèles du MIT sont construits pour décrire un seul matériau, rendant la génération des modèles souvent difficile. À la fois, les méthodes conventionnelles d'apprentissage automatique ont montré une capacité prédictive limitée en raison de l'absence de données disponibles, rendant la conception de nouveaux matériaux MIT difficile.

    « Les chercheurs savent comment distiller des informations à partir de grands ensembles de données sur les matériaux lorsqu'elles existent et lorsque des fonctionnalités appropriées sont disponibles, " dit Rondinelli, professeur de science et d'ingénierie des matériaux et professeur Morris E. Fine en matériaux et fabrication à la McCormick School of Engineering, et auteur correspondant de l'étude. « Mais que faites-vous lorsque vous n'avez pas de grands ensembles de données ou les fonctionnalités nécessaires ? Notre travail perturbe ce statu quo en créant des modèles prédicatifs et exploratoires sans nécessiter de grands ensembles de données ou des fonctionnalités à partir d'un petit ensemble de données. »

    Un document décrivant le travail, intitulé "L'optimisation adaptative sans fonction accélère la conception de matériaux électroniques fonctionnels, " a été publié le 6 novembre dans la revue Revue de physique appliquée .

    La méthode de l'équipe de recherche, appelé moteur d'optimisation avancé (AOE), contourne les modèles de découverte traditionnels basés sur l'apprentissage automatique en utilisant une approche de modélisation de processus gaussien à variables latentes, qui ne nécessite que les compositions chimiques des matériaux pour discerner leur nature optimale. Cela a permis à l'AOE basé sur l'optimisation bayésienne de rechercher efficacement des matériaux avec une tunabilité de bande interdite (résistivité/conductivité électrique) et une stabilité thermique (synthétabilité) optimales, deux caractéristiques déterminantes pour les matériaux utiles.

    Pour valider leur approche, l'équipe a analysé des centaines de combinaisons chimiques à l'aide de simulations basées sur la théorie de la fonction de densité et a trouvé 12 compositions non identifiées auparavant de spinelles lacunaires complexes qui présentaient une fonctionnalité et une capacité de synthèse optimales. Ces matériaux du MIT sont connus pour héberger des textures de spin uniques, une fonctionnalité nécessaire pour alimenter le futur Internet des objets et d'autres technologies gourmandes en ressources.

    "Cette avancée surmonte les limitations traditionnelles imposées par les conceptions de matériaux basées sur l'intuition chimique, " dit Chen, Professeur Wilson-Cook en conception technique et professeur et titulaire de la chaire de génie mécanique, et co-auteur de l'étude. "En recadrant la conception fonctionnelle des matériaux comme un problème d'optimisation, nous avons non seulement trouvé une solution au défi de travailler avec des données limitées, mais a également démontré sa capacité à découvrir efficacement de nouveaux matériaux optimaux pour l'électronique du futur."

    Alors que les chercheurs testaient leur méthode sur des matériaux inorganiques, ils pensent que l'approche peut également être appliquée aux matériaux organiques, telles que la conception de séquences de protéines dans des biomatériaux ou de séquences de monomères dans des matériaux polymères. Le modèle offre également des conseils pour prendre de meilleures décisions vers la conception optimale des matériaux en choisissant les composés candidats idéaux à simuler.

    "Notre méthode ouvre la voie à l'optimisation de propriétés multiples et à la co-conception de matériaux multifonctionnels complexes où les données et les connaissances préalables sont rares, ", a déclaré Rondinelli.

    Les travaux sur cette étude sont nés d'un projet explorant l'optimisation bayésienne dans la découverte de matériaux dans le cadre du programme interdisciplinaire de clusters interdisciplinaires Predictive Science and Engineering Design (PSED) parrainé par la Graduate School de Northwestern. Il a été soutenu par un financement de la National Science Foundation et de l'Advanced Research Projects Agency—Energy's (ARPA-E) programme DIFFERENTIATE, qui cherche à utiliser les technologies émergentes de l'IA pour relever les principaux défis énergétiques et environnementaux.

    "Ce travail met en lumière l'impact du pôle de conception interdisciplinaire collaboratif PSED, " a déclaré Chen. " Cela met également l'accent sur les avancées cruciales de l'IA et de l'apprentissage automatique chez Northwestern en matière de conception et d'optimisation. "


    © Science https://fr.scienceaq.com