Исследователи Северо-Западного университета разработали новую структуру с использованием машинного обучения, которая повышает точность межатомных потенциалов — руководящих правил, описывающих, как атомы взаимодействуют, — в дизайне новых материалов. Полученные данные могут привести к более точным предсказаниям того, как новые материалы передают тепло, деформируются и выходят из строя в атомном масштабе.
Разработка новых наноматериалов является важным аспектом разработки устройств следующего поколения, используемых в электронике, датчиках, сборе и хранении энергии, оптических детекторах и конструкционных материалах. Чтобы разработать эти материалы, исследователи создают межатомные потенциалы с помощью атомистического моделирования, вычислительного подхода, который предсказывает поведение этих материалов, учитывая их свойства на минимальном уровне. Процесс определения межатомного потенциала материалов, называемый параметризацией, потребовал значительной химической и физической интуиции, что привело к менее точному прогнозированию дизайна новых материалов.
Платформа исследователей сводит к минимуму вмешательство пользователя за счет использования многоцелевых методов оптимизации генетических алгоритмов и статистического анализа, а также проверяет многообещающие межатомные потенциалы и наборы параметров.
«Разработанные нами вычислительные алгоритмы предоставляют аналитикам методологию для оценки и устранения традиционных недостатков», — сказали Горацио Эспиноза, Джеймс Н. и Нэнси Дж. Фарли, профессор производства и предпринимательства и профессор машиностроения и (любезно) биомедицинской инженерии и гражданского строительства. и экологическая инженерия, руководившая исследованием. «Они также предоставляют средства для адаптации параметризации к интересующим приложениям».
Источник — aobe.