Les badlands du stanène :le stanène est plus doux et par conséquent beaucoup plus ondulé que ses cousins graphène et silicène. Crédit :Mathew Cherukara, Badri Narayanan et Subramanian Sankaranarayanan/Laboratoire national d'Argonne
Apprentissage automatique, un domaine axé sur la formation des ordinateurs à reconnaître des modèles dans les données et à faire de nouvelles prédictions, aide les médecins à diagnostiquer plus précisément les maladies et les analystes boursiers à prévoir la montée et la chute des marchés financiers. Et maintenant, les scientifiques des matériaux ont lancé une autre application importante pour l'apprentissage automatique, aidant à accélérer la découverte et le développement de nouveaux matériaux.
Chercheurs du Center for Nanoscale Materials and the Advanced Photon Source, à la fois le département américain de l'Énergie (DOE) Office of Science User Facilities au laboratoire national d'Argonne du DOE, a annoncé l'utilisation d'outils d'apprentissage automatique pour prédire avec précision le physique, propriétés chimiques et mécaniques des nanomatériaux.
Dans une étude publiée dans Le Journal des lettres de chimie physique , une équipe de chercheurs dirigée par le scientifique informatique d'Argonne, Subramanian Sankaranarayanan, a décrit leur utilisation d'outils d'apprentissage automatique pour créer le premier modèle au niveau atomique qui prédit avec précision les propriétés thermiques du stanène, un matériau bidimensionnel (2D) constitué d'une feuille d'étain d'un atome d'épaisseur.
L'étude révèle pour la première fois une approche de la modélisation des matériaux qui applique l'apprentissage automatique et est plus précise pour prédire les propriétés des matériaux par rapport aux modèles précédents.
"La modélisation prédictive est particulièrement importante pour les matériaux nouvellement découverts, pour apprendre à quoi ils sont bons, comment ils réagissent aux différents stimuli et comment faire pousser efficacement le matériau pour des applications commerciales, le tout avant d'investir dans une fabrication coûteuse, " a déclaré Mathew Cherukara, chercheur postdoctoral à Argonne, l'un des principaux auteurs de l'étude.
Traditionnellement, les modèles de matériaux à l'échelle atomique ont mis des années à se développer, et les chercheurs ont dû se fier en grande partie à leur propre intuition pour identifier les paramètres sur lesquels un modèle serait construit. Mais en utilisant une approche d'apprentissage automatique, Cherukara et ses collègues chercheurs ont pu réduire le besoin d'intervention humaine tout en raccourcissant le temps de création d'un modèle précis à quelques mois.
« Nous saisissons des données obtenues à partir de calculs expérimentaux ou théoriques coûteux, puis demandez à la machine, « Pouvez-vous me donner un modèle qui décrit toutes ces propriétés ? » », a déclaré Badri Narayanan, un chercheur postdoctoral d'Argonne et un autre auteur principal de l'étude. "Nous pouvons aussi poser des questions comme, « Pouvons-nous optimiser la structure, induire des défauts ou adapter le matériau pour obtenir les propriétés spécifiques souhaitées ?'"
L'équipe de recherche Argonne qui a été pionnière dans l'utilisation d'outils d'apprentissage automatique dans la modélisation de matériaux 2D. Crédit :Wes Agresta/Laboratoire national d'Argonne
Contrairement à la plupart des modèles précédents, le modèle d'apprentissage automatique peut capturer avec précision les événements de formation et de rupture des liaisons ; cela donne non seulement des prédictions plus fiables des propriétés des matériaux (par exemple, la conductivité thermique), mais permet également aux chercheurs de capturer avec précision les réactions chimiques et de mieux comprendre comment des matériaux spécifiques peuvent être synthétisés.
Un autre avantage de la construction de modèles à l'aide de l'apprentissage automatique est que le processus ne dépend pas du matériau, ce qui signifie que les chercheurs peuvent examiner de nombreuses classes différentes de matériaux et appliquer l'apprentissage automatique à divers autres éléments et à leurs combinaisons.
Le modèle de calcul Cherukara, Narayanan et leurs collègues ont développé décrit le stanène, une structure en étain qui a attiré l'attention des chercheurs ces dernières années. L'intérêt pour le stanène reflète un intérêt croissant pour les matériaux 2D évoluant depuis la découverte du graphène en 2004, un arrangement monocouche de carbone avec une électronique attrayante, propriétés thermiques et mécaniques. Alors que le stanène reste loin d'être commercialisé, les chercheurs le trouvent prometteur pour des applications dans la gestion thermique (la régulation de la chaleur) dans certains dispositifs nanométriques.
L'étude, " Ab Initio -Basé sur le potentiel de commande d'obligations pour étudier la faible conductivité thermique des nanostructures de stanène, " est apparu dans le Le Journal des lettres de chimie de physique .
