Trouver de nouveaux matériaux fonctionnels est toujours délicat. Mais rechercher des propriétés très spécifiques parmi une famille relativement restreinte de matériaux connus est encore plus difficile.

Mais une équipe de Northwestern Engineering et du Laboratoire national de Los Alamos a trouvé une solution de contournement. Le groupe a développé un nouveau flux de travail combinant l'apprentissage automatique et les calculs de la théorie fonctionnelle de la densité pour créer des directives de conception pour de nouveaux matériaux qui présentent des propriétés électroniques utiles, comme la ferroélectricité et la piézoélectricité.

Peu de matériaux stratifiés ont ces qualités dans certaines géométries - cruciales pour développer des solutions à l'électronique, la communication, et les problèmes énergétiques, ce qui signifie qu'il y avait très peu de données à partir desquelles formuler les lignes directrices en utilisant des approches de recherche traditionnelles.

"Quand d'autres recherchent de nouveaux matériaux, généralement, ils recherchent dans des endroits où ils disposent de nombreuses données provenant de matériaux similaires. Ce n'est pas forcément facile du tout, mais nous savons comment distiller des informations à partir de grands ensembles de données, " dit James M. Rondinelli, professeur adjoint de science et d'ingénierie des matériaux à la McCormick School of Engineering. "Quand vous n'avez pas beaucoup d'informations, apprendre à partir des données devient un problème difficile."

La recherche est décrite dans l'article "Apprendre à partir de données pour concevoir des matériaux fonctionnels sans symétrie d'inversion, " paru dans le 17 février, 2017, problème de Communication Nature . Prasanna Balachandran du Los Alamos National Lab au Nouveau-Mexique est la co-auteure de l'article. Josué Jeune, un ancien étudiant diplômé du laboratoire de Rondinelli, et Turab Lookman, chercheur principal à Los Alamos, a également contribué.

Soutenu par un financement de la National Science Foundation et du programme de recherche et développement dirigé par le laboratoire via Los Alamos, Le groupe de Rondinelli s'est concentré sur une classe d'oxydes complexes bidimensionnels, ou oxydes de Ruddlesden-Popper. Ces matériaux présentent de nombreuses propriétés technologiques, comme la ferroélectricité et la piézoélectricité, et peut être interfacé avec les matériaux semi-conducteurs traditionnels trouvés dans les appareils électroniques d'aujourd'hui.

« Dans cette famille, l'ensemble de données est chétif. Actuellement, il n'y a qu'environ 10 à 15 matériaux connus avec les propriétés recherchées, " a déclaré Rondinelli. " Ce n'est pas beaucoup de données avec lesquelles travailler. Traditionnellement, la science des données est utilisée pour les problèmes de big data où la connaissance du domaine est moins nécessaire. »

« Malgré la nature restreinte du problème en matière de données, " ajouta Balachandran, "notre approche a fonctionné parce que nous avons pu combiner notre compréhension de ces matériaux (connaissance du domaine) avec les données pour informer l'apprentissage automatique."

Par conséquent, le groupe a commencé à créer une base de données de matériaux connus et à utiliser l'apprentissage automatique, un sous-domaine de l'informatique qui construit des algorithmes capables d'apprendre à partir de données, puis d'utiliser cet apprentissage pour faire de meilleures prédictions. "Avec l'apprentissage automatique, nous sommes en mesure d'identifier des compositions chimiques susceptibles d'être candidates pour le matériau que vous souhaitez développer, " il a dit.

Sur plus de 3, 000 matériaux possibles investigués, l'approche de la science des données en a trouvé plus de 200 avec des candidats prometteurs. Prochain, l'équipe a appliqué plusieurs types de calculs de mécanique quantique rigoureux. Celui-ci a évalué les structures atomiques des matériaux potentiels et vérifié leur stabilité.

« Nous nous sommes demandé :le matériau aurait-il la structure prédite ? A-t-il une polarisation électrique ? Peut-il être fabriqué en laboratoire ? » ajouta Rondinelli.

Ce travail a réduit les possibilités à 19, qui ont été recommandés pour la synthèse expérimentale immédiate. Pourtant, il y a probablement beaucoup plus de possibilités parmi les 200 candidats.

Typiquement, lors du développement de nouveaux matériaux, le nombre de possibilités est trop grand pour explorer et développer chacune. Le processus de sélection des matériaux potentiels est très coûteux, et les scientifiques doivent être sélectifs dans leurs investissements.

« Notre travail a le potentiel de contribuer à économiser énormément de temps et de ressources, " dit Balachandran. " Au lieu d'explorer tous les matériaux possibles, seuls les matériaux qui ont le potentiel d'être prometteurs seront recommandés pour une enquête expérimentale. »