Maschinelles Lernen erweitert experimentelle und rechnerische Methoden für kostengünstigere Vorhersagen von Materialeigenschaften.
Tsukuba, Japan, 11. Februar 2020 - (ACN Newswire) - Forscher in Japan haben einen Ansatz entwickelt, der die Eigenschaften von Materialien besser vorhersagen kann, indem experimentelle Daten mit hohem Durchsatz und Berechnung simpermittel mit maschinellem Lernen kombiniert werden. Der Ansatz könnte dazu beitragen, die Entwicklung neuer Materialien zu beschleunigen, und wurde in der Zeitschrift Science and Technology of Advanced Materials veröffentlicht.
(a) Kerr-Rotationskartierung eines Eisen-, Kobalt-, Nickel-Verbundstreuungsmittels mit der genaueren Experimentiermethode mit hohem Durchsatz, b) nur Berechnung des hohen Durchsatzes und (c) kombinierter Ansatz von Iwasaki et al. Der kombinierte Ansatz bietet eine viel genauere Vorhersage der Kerr-Rotation des Verbundspreads im Vergleich zur Berechnung des hohen Durchsatzes selbst. |
Die Wissenschaftler verwenden Experimente mit hohem Durchsatz, die eine große Anzahl paralleler Experimente beinhalten, um die Zusammenhänge zwischen den Zusammensetzungen, Strukturen und Eigenschaften von Materialien aus unterschiedlichen Mengen derselben Elemente schnell abzubilden. Dies beschleunigt die Entwicklung neuer Materialien, erfordert aber in der Regel teure Geräte.
Die Berechnung des hohen Durchsatzes verwendet hingegen Berechnungsmodelle, um die Eigenschaften eines Materials auf der Grundlage seiner Elektronendichte zu bestimmen, ein Maß für die Wahrscheinlichkeit, dass ein Elektron eine extrem geringe Menge an Raum belegt. Es ist schneller und billiger als die physikalischen Experimente, aber viel weniger genau.
Der Materialinformatiker Yuma Iwasaki von den Central Research Laboratories der NEC Corporation kombinierte zusammen mit Kollegen in Japan die beiden Hochdurchsatzmethoden und kombinierte sie mit maschinellem Lernen, um sie zu rationalisieren. den Prozess.
"Unsere Methode hat das Potenzial, Materialeigenschaften genau und schnell vorherzusagen und so die Entwicklungszeit für verschiedene Materialien zu verkürzen", sagt Iwasaki.
Sie testeten ihren Ansatz mit einem 100 Nanometer dünnen Film aus Eisen, Kobalt und Nickel, der auf einem Saphirsubstrat verteilt wurde. Verschiedene mögliche Kombinationen der drei Elemente wurden entlang des Films verteilt. Diese "Zusammensetzungsstreuproben" werden verwendet, um viele ähnliche Materialien in einer einzigen Probe zu testen.
Das Team führte zunächst eine einfache Hohedurchsatztechnik an der Probe durch, die als kombinatorische Röntgenbeugung bezeichnet wurde. Die resultierenden Röntgenbeugungskurven liefern detaillierte Informationen über die kristallographische Struktur, die chemische Zusammensetzung und die physikalischen Eigenschaften der Probe.
Das Team nutzte dann maschinelles Lernen, um diese Daten in einzelne Röntgenbeugungskurven für jede Kombination der drei Elemente aufzuschlüsseln. Berechnungen mit hohem Durchsatz halfen bei der Definition der magnetischen Eigenschaften jeder Kombination. Schließlich wurden Berechnungen durchgeführt, um die Differenz zwischen den Versuchs- und Berechnungsdaten zu verringern.
Ihr Ansatz ermöglichte es ihnen, die "Kerr-Rotation" der Eisen-, Kobalt- und Nickelzusammensetzung erfolgreich abzubilden, was die Veränderungen darstellt, die dem Licht passieren, wenn es von seiner magnetisierten Oberfläche reflektiert wird. Diese Eigenschaft ist wichtig für eine Vielzahl von Anwendungen in Photonik und Halbleiterbauelementen.
Die Forscher sagen, dass ihr Ansatz noch verbessert werden könnte, aber dass es, wie es aussieht, ermöglicht, die magnetischen Momente der Zusammensetzung zu kartieren, ohne auf schwierigere und teurere Experimente mit hohem Durchsatz zurückgreifen zu müssen.
Weitere Informationen
Yuma Iwasaki
NEC Corporation
y-iwasaki@ih.jp.nec.com
Papier
https://doi.org/10.1080/14686996.2019.1707111
Über Wissenschaft und Technologie des Advanced Materials Journal
Open-Access-Zeitschrift STAM veröffentlicht herausragende Forschungsartikel zu allen Aspekten der Materialwissenschaft, einschließlich funktionaler und struktureller Materialien, theoretischer Analysen und Eigenschaften von Materialien.
Shunichi Hishita
STAM-Publishing-Direktor
HISHITA. Shunichi@nims.go.jp
Pressemitteilung von ResearchSEA for Science and Technology of Advanced Materials.
Quelle: Wissenschaft und Technologie fortgeschrittener Werkstoffe
Copyright 2020 ACN Newswire . Alle Rechte vorbehalten.