Concevoir des matériaux ayant les propriétés nécessaires pour remplir des fonctions spécifiques est un défi auquel sont confrontés les chercheurs travaillant dans des domaines allant de la catalyse aux cellules solaires. Pour accélérer les processus de développement, les approches de modélisation peuvent être utilisées pour prédire les informations afin de guider les raffinements. Des chercheurs de l'Institut des sciences industrielles de l'Université de Tokyo ont développé un modèle d'apprentissage automatique pour déterminer les caractéristiques des matériaux liés et adsorbés en fonction des paramètres des composants individuels. Leurs conclusions sont publiées dans Physique Appliquée Express .

Des facteurs tels que la longueur et la résistance des liaisons dans les matériaux jouent un rôle crucial dans la détermination des structures et des propriétés que nous connaissons à l'échelle macroscopique. La capacité de prédire facilement ces caractéristiques est donc précieuse lors de la conception de nouveaux matériaux.

La densité d'états (DOS) est un paramètre qui peut être calculé pour des atomes individuels, molécules, et matériaux. Mettre tout simplement, il décrit les options dont disposent les électrons qui s'organisent dans un matériau. Une approche de modélisation qui peut prendre ces informations pour des composants sélectionnés et produire des données utiles pour le produit souhaité - sans avoir besoin de fabriquer et d'analyser le matériau - est un outil attrayant.

Les chercheurs ont utilisé une approche d'apprentissage automatique - où le modèle affine sa réponse sans intervention humaine - pour prédire quatre propriétés différentes des produits à partir des informations DOS des composants individuels. Bien que le DOS ait été utilisé comme descripteur pour établir des paramètres uniques auparavant, c'est la première fois que plusieurs propriétés différentes sont prédites.

"Nous avons pu prédire quantitativement l'énergie de liaison, longueur de liaison, nombre d'électrons covalents, et l'énergie de Fermi après collage pour trois types généraux de système différents, " explique le premier auteur de l'étude Eiki Suzuki. " Et nos prédictions étaient très précises pour toutes les propriétés. "

Parce que le calcul du DOS d'un état isolé est moins complexe que pour les systèmes liés, l'analyse est relativement efficace. En outre, le modèle de réseau neuronal utilisé s'est bien comporté même lorsque seulement 20 % de l'ensemble de données a été utilisé pour l'entraînement.

"Un avantage important de notre modèle est qu'il est général et peut être appliqué à une grande variété de systèmes, ", explique l'auteur correspondant de l'étude Teruyasu Mizoguchi. "Nous pensons que nos découvertes pourraient apporter une contribution significative à de nombreux processus de développement, par exemple en catalyse, et pourrait être particulièrement utile dans les nouveaux domaines de recherche tels que les nano-clusters et les nanofils."

L'article, "Prédiction précise des propriétés de liaison par un modèle basé sur l'apprentissage automatique utilisant des états isolés avant la liaison", a été publié dans Physique Appliquée Express .