Wykorzystując uczenie maszynowe, metoda obliczeniowa może dostarczyć szczegółów na temat działania materiałów jako katalizatorów, półprzewodników lub komponentów baterii. Projektowanie nowych związków czy stopów, których powierzchnie mogą być wykorzystane jako katalizatory w reakcjach chemicznych, może być złożonym procesem, który w dużej mierze opiera się na intuicji doświadczonych chemików. Zespół badaczy z MIT opracował nowe podejście wykorzystujące uczenie maszynowe, które eliminuje potrzebę intuicji i dostarcza bardziej szczegółowych informacji niż konwencjonalne metody mogą praktycznie osiągnąć.
Na przykład, stosując nowy system do materiału, który był już badany konwencjonalnymi metodami przez 30 lat, zespół odkrył, że powierzchnia związku może tworzyć dwie nowe konfiguracje atomowe, które wcześniej nie zostały zidentyfikowane, a jedna inna konfiguracja widoczna w poprzednich pracach prawdopodobnie jest niestabilna.
Odkrycia te zostały opisane w tym tygodniu w czasopiśmie Nature Computational Science, w artykule autorstwa studenta MIT Xiaochena Du, profesorów Rafaela Gómez-Bombarelli i Bilge Yildiz, pracownika technicznego MIT Lincoln Laboratory Lin Li i trzech innych osób.
Powierzchnie materiałów często oddziałują z otoczeniem w sposób zależny od dokładnej konfiguracji atomów na powierzchni, co może się różnić w zależności od tego, które części struktury atomowej materiału są odsłonięte. Pomyśl o warstwowym cieście z rodzynkami i orzechami: w zależności od tego, jak dokładnie je pokroisz, na krawędzi twojego kawałka zostaną odsłonięte różne ilości i układy warstw oraz owoców. Ważne jest również otoczenie. Powierzchnia ciasta będzie wyglądać inaczej, jeśli zostanie nasączona syropem, stając się wilgotna i lepka, lub jeśli zostanie włożona do piekarnika, co spowoduje chrupkość i ściemnienie powierzchni. Podobnie reagują powierzchnie materiałów, gdy są zanurzone w cieczy lub wystawione na działanie różnych temperatur.
Metody zwykle stosowane do charakteryzacji powierzchni materiałów są statyczne, koncentrując się na konkretnej konfiguracji spośród milionów możliwości. Nowa metoda pozwala oszacować wszystkie warianty, bazując tylko na kilku obliczeniach z pierwszych zasad automatycznie wybranych przez iteracyjny proces uczenia maszynowego, aby znaleźć materiały o pożądanych właściwościach.
Ponadto, w przeciwieństwie do typowych obecnych metod, nowy system może być rozszerzony, aby dostarczać dynamicznych informacji o tym, jak właściwości powierzchni zmieniają się w czasie podczas warunków eksploatacyjnych, na przykład gdy katalizator aktywnie wspomaga reakcję chemiczną, lub gdy elektroda baterii ładuje się lub rozładowuje.
Metoda badaczy, którą nazywają ramami Automatycznej Rekonstrukcji Powierzchni, unika potrzeby używania ręcznie wybranych przykładów powierzchni do szkolenia sieci neuronowej używanej w symulacji. Zamiast tego zaczyna od pojedynczego przykładu idealnie wyciętej powierzchni, a następnie wykorzystuje aktywne uczenie się w połączeniu z rodzajem algorytmu Monte-Carlo do wyboru miejsc do próbkowania na tej powierzchni, oceniając wyniki każdego przykładowego miejsca, aby kierować wyborem kolejnych miejsc. Używając mniej niż 5 000 obliczeń z pierwszych zasad, spośród milionów możliwych składów chemicznych i konfiguracji, system może uzyskać dokładne prognozy energii powierzchni w różnych potencjałach chemicznych lub elektrycznych, jak donosi zespół.
„Patrzymy na termodynamikę,” mówi Du, „co oznacza, że pod różnymi rodzajami warunków zewnętrznych, takich jak ciśnienie, temperatura i potencjał chemiczny, który może być związany ze stężeniem pewnego pierwiastka, [możemy badać] jaka jest najbardziej stabilna struktura dla powierzchni?”
W zasadzie określenie właściwości termodynamicznych powierzchni materiału wymaga poznanie energii powierzchniowej na specyficznym pojedynczym układzie atomów, a następnie określenie tych energii miliony razy, aby objąć wszystkie możliwe warianty i uchwycić dynamikę zachodzących procesów. Chociaż teoretycznie jest to możliwe do wykonania obliczeniowo, „to po prostu nie jest opłacalne” w typowej skali laboratoryjnej, mówi Gómez-Bombarelli. Badacze byli w stanie uzyskać dobre wyniki, badając tylko kilka konkretnych przypadków, ale to nie wystarcza, aby dostarczyć prawdziwego statystycznego obrazu zaangażowanych dynamicznych właściwości, mówi.
Wykorzystując swoją metodę, Du mówi: „mamy nowe funkcje, które pozwalają nam próbkować termodynamikę różnych składów i konfiguracji. Pokazujemy również, że jesteśmy w stanie osiągnąć to przy niższym koszcie, z mniejszą liczbą drogich kwantowych ocen energii. I jesteśmy również w stanie zrobić to dla trudniejszych materiałów,” w tym dla materiałów trójskładnikowych.
