KI prognostiziert umfangreiche Materialeigenschaften, um eine bisher unüberwindbare Mauer zu durchbrechen

20.10.2021 - Japan

Wenn die Eigenschaften von Materialien zuverlässig vorhergesagt werden können, lässt sich der Prozess der Entwicklung neuer Produkte für eine Vielzahl von Branchen rationalisieren und beschleunigen. In einer Studie, die in der Zeitschrift Advanced Intelligent Systems veröffentlicht wurde, nutzten Forscher des Institute of Industrial Science der Universität Tokio die Kernverlustspektroskopie, um die Eigenschaften organischer Moleküle mithilfe von maschinellem Lernen zu bestimmen.

Die Spektroskopietechniken Energieverlust-Nahkantenstruktur (ELNES) und Röntgen-Nahkantenstruktur (XANES) werden eingesetzt, um Informationen über die Elektronen und damit die Atome in Materialien zu ermitteln. Sie haben eine hohe Empfindlichkeit und eine hohe Auflösung und wurden zur Untersuchung einer Reihe von Materialien eingesetzt, von elektronischen Geräten bis hin zu Medikamentenverabreichungssystemen.

Die Verknüpfung von Spektraldaten mit den Eigenschaften eines Materials - wie optische Eigenschaften, Elektronenleitfähigkeit, Dichte und Stabilität - ist jedoch nach wie vor nicht eindeutig. Ansätze des maschinellen Lernens (ML) wurden eingesetzt, um Informationen für große komplexe Datensätze zu extrahieren. Bei diesen Ansätzen werden künstliche neuronale Netze verwendet, die auf der Funktionsweise unseres Gehirns basieren und ständig lernen, Probleme zu lösen. Obwohl die Gruppe zuvor ELNES/XANES-Spektren und ML verwendet hat, um Informationen über Materialien herauszufinden, hatten die Ergebnisse keinen Bezug zu den Eigenschaften des Materials selbst. Daher konnten die Informationen nicht einfach in Entwicklungen umgesetzt werden.

Jetzt hat das Team ML eingesetzt, um Informationen aufzudecken, die in den simulierten ELNES/XANES-Spektren von 22.155 organischen Molekülen verborgen sind. "Die ELNES/XANES-Spektren der Moleküle, oder in diesem Szenario ihre "Deskriptoren", wurden dann in das System eingegeben", erklärt der Hauptautor Kakeru Kikumasa. "Dieser Deskriptor ist etwas, das in Experimenten direkt gemessen werden kann und daher mit hoher Empfindlichkeit und Auflösung bestimmt werden kann. Diese Methode ist für die Materialentwicklung von großem Nutzen, denn sie hat das Potenzial zu zeigen, wo, wann und wie bestimmte Materialeigenschaften entstehen.

Ein Modell, das allein aus den Spektren erstellt wurde, konnte die so genannten intensiven Eigenschaften erfolgreich vorhersagen. Es war jedoch nicht in der Lage, extensive Eigenschaften vorherzusagen, die von der Molekülgröße abhängig sind. Um die Vorhersage zu verbessern, wurde das neue Modell daher so konstruiert, dass die Verhältnisse von drei Elementen im Verhältnis zum Kohlenstoff (der in allen organischen Molekülen vorhanden ist) als zusätzliche Parameter einbezogen wurden, damit extensive Eigenschaften wie das Molekulargewicht korrekt vorhergesagt werden können.

"Unsere ML-Learning-Behandlung von Kernverlustspektren ermöglicht eine genaue Vorhersage umfangreicher Materialeigenschaften, wie z. B. der inneren Energie und des Molekulargewichts. Die Verbindung zwischen Kernverlustspektren und umfassenden Eigenschaften wurde bisher noch nie hergestellt; die künstliche Intelligenz war jedoch in der Lage, die verborgenen Zusammenhänge aufzudecken. Unser Ansatz könnte auch für die Vorhersage der Eigenschaften neuer Materialien und Funktionen verwendet werden", sagt der Erstautor Teruyasu Mizoguchi. "Wir glauben, dass unser Modell ein sehr nützliches Werkzeug für die Hochdurchsatzentwicklung von Materialien in einer Vielzahl von Branchen sein wird."

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.