13:18 2024-04-12
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Un model nou de învățare automată pentru caracterizarea suprafețelor materiale
_ O nouă învățare automată model pentru caracterizarea suprafețelor materiale
Învățarea automată (ML) permite calcularea precisă și eficientă a proprietăților electronice fundamentale ale suprafețelor de oxid binare și ternare, așa cum au arătat oamenii de știință de la Tokyo Tech. Modelul lor bazat pe ML ar putea fi extins la alți compuși și proprietăți. Descoperirile, publicate în Journal of the American Chemical Society, ar putea ajuta la screening-ul proprietăților de suprafață ale materialelor, precum și la dezvoltarea materialelor funcționale.
Proiectarea și dezvoltarea de materiale noi cu proprietăți superioare necesită o analiză cuprinzătoare a structurilor lor atomice și electronice.
Parametrii energiei electronice, cum ar fi potențialul de ionizare (IP), energia necesară pentru a elimina un electron din banda de valență maximă și afinitatea electronilor (EA), cantitatea de energie eliberată la atașarea unui electron la banda de conducție minimă, dezvăluie informații importante despre structura benzii electronice a suprafețelor semiconductorilor, izolatorilor și dielectricilor.
Estimarea precisă a IP și EA în astfel de materialele nemetalice pot indica aplicabilitatea lor pentru utilizare ca suprafețe funcționale și interfețe în echipamente fotosensibile și dispozitive optoelectronice.
În plus, IP-urile și EA depind semnificativ de structurile de suprafață, ceea ce adaugă o altă dimensiune procedurii complexe de cuantificare a acestora. . Calculul tradițional al IP-urilor și EA-urilor implică utilizarea unor calcule precise ale principiilor inițiale, în care sistemele de masă și de suprafață sunt cuantificate separat. Acest proces consumatoare de timp previne cuantificarea IP-urilor și EA-urilor pentru multe suprafețe, ceea ce necesită utilizarea unor abordări eficiente din punct de vedere computațional.
Pentru a aborda problemele ample care afectează cuantificarea IP-urilor și EA-urilor solidelor nemetalice, o echipă dintre oamenii de știință de la Institutul de Tehnologie din Tokyo (Tokyo Tech), conduși de profesorul Fumiyasu Oba, și-au îndreptat atenția către ML.
Prof. Oba spune: „În ultimii ani, ML a câștigat multă atenție în cercetarea științei materialelor. Capacitatea de a verifica virtual materialele bazate pe tehnologia ML este o modalitate foarte eficientă de a explora materiale noi cu proprietăți superioare. De asemenea, capacitatea de a antrena mari dimensiuni. seturile de date care utilizează calcule teoretice precise permit predicția cu succes a caracteristicilor importante ale suprafeței și a implicațiilor lor funcționale.”
Cercetătorii au folosit o rețea neuronală artificială pentru a dezvolta un model de regresie, care încorporează suprapunerea netedă a pozițiilor atomilor (SOAP) ca date numerice de intrare. Modelul lor a prezis cu acuratețe și eficient IP-urile și EA-urile suprafețelor de oxid binari utilizând informațiile despre structurile cristaline în vrac și planurile de terminare a suprafeței.
Mai mult, modelul de predicție bazat pe ML ar putea „transfera învățarea”, un scenariu. unde un model dezvoltat pentru un anumit scop poate fi realizat pentru a include seturi de date mai noi și reaplicat pentru sarcini suplimentare. Oamenii de știință au inclus efectele cationilor multipli în modelul lor prin dezvoltarea de SAPUNI „învățabili” și au prezis IP-urile și EA ale oxizilor ternari folosind învățarea prin transfer.
Prof. Oba conchide: „Modelul nostru nu se limitează la predicția proprietăților de suprafață ale oxizilor, ci poate fi extins pentru a studia alți compuși și proprietățile acestora.”
Comentarii:
Adauga Comentariu