L'apprentissage automatique (ML) permet le calcul précis et efficace des propriétés électroniques fondamentales des surfaces d'oxydes binaires et ternaires, comme l'ont montré les scientifiques de Tokyo Tech. Leur modèle basé sur le ML pourrait être étendu à d’autres composés et propriétés. Les résultats, publiés dans le Journal of the American Chemical Society , pourrait aider à l'examen des propriétés de surface des matériaux ainsi qu'au développement de matériaux fonctionnels.

La conception et le développement de nouveaux matériaux dotés de propriétés supérieures nécessitent une analyse complète de leurs structures atomiques et électroniques.

Les paramètres d'énergie électronique tels que le potentiel d'ionisation (IP), l'énergie nécessaire pour retirer un électron du maximum de la bande de valence, et l'affinité électronique (EA), la quantité d'énergie libérée lors de l'attachement d'un électron au minimum de la bande de conduction, révèlent des paramètres importants. informations sur la structure de bande électronique des surfaces des semi-conducteurs, des isolants et des diélectriques.

L'estimation précise des IP et EA dans ces matériaux non métalliques peut indiquer leur applicabilité pour une utilisation comme surfaces fonctionnelles et interfaces dans les équipements photosensibles et les dispositifs optoélectroniques.

De plus, les IP et les EA dépendent largement des structures de surface, ce qui ajoute une autre dimension à la procédure complexe de leur quantification. Le calcul traditionnel des IP et des EA implique l’utilisation de calculs précis selon les premiers principes, dans lesquels les systèmes de masse et de surface sont quantifiés séparément. Ce processus fastidieux empêche de quantifier les IP et les EA pour de nombreuses surfaces, ce qui nécessite l'utilisation d'approches informatiques efficaces.

Pour résoudre les vastes problèmes affectant la quantification des IP et des EA des solides non métalliques, une équipe de scientifiques de l'Institut de technologie de Tokyo (Tokyo Tech), dirigée par le professeur Fumiyasu Oba, s'est concentrée sur le ML.

Le professeur Oba déclare :« Ces dernières années, le ML a attiré beaucoup d'attention dans la recherche en science des matériaux. La capacité de cribler virtuellement des matériaux basés sur la technologie ML est un moyen très efficace d'explorer de nouveaux matériaux dotés de propriétés supérieures. En outre, la capacité de Former de grands ensembles de données à l'aide de calculs théoriques précis permet de prédire avec succès des caractéristiques de surface importantes et leurs implications fonctionnelles. »

Les chercheurs ont utilisé un réseau neuronal artificiel pour développer un modèle de régression, intégrant le chevauchement fluide des positions des atomes (SOAP) comme données d'entrée numériques. Leur modèle a prédit avec précision et efficacité les IP et EA des surfaces d'oxydes binaires en utilisant les informations sur les structures cristallines globales et les plans de terminaison de surface.

De plus, le modèle de prédiction basé sur le ML pourrait « transférer l'apprentissage », un scénario dans lequel un modèle développé dans un but particulier peut être conçu pour incorporer des ensembles de données plus récents et réappliqué pour des tâches supplémentaires. Les scientifiques ont inclus les effets de plusieurs cations dans leur modèle en développant des SOAP « apprenables » et ont prédit les IP et EA des oxydes ternaires en utilisant l'apprentissage par transfert.

Le professeur Oba conclut :"Notre modèle ne se limite pas à la prédiction des propriétés de surface des oxydes mais peut être étendu pour étudier d'autres composés et leurs propriétés."

Plus d'informations : Shin Kiyohara et al, Alignement de bandes d'oxydes par réseau neuronal apprenable assisté par descripteurs structurels et apprentissage par transfert, Journal of the American Chemical Society (2024). DOI : 10.1021/jacs.3c13574

Informations sur le journal : Journal de l'American Chemical Society

Fourni par l'Institut de technologie de Tokyo