I principi fisici possono essere incorporati in un'architettura di apprendimento automatico come configurazione fondamentale per sviluppare l'intelligenza artificiale per i materiali inorganici. In un nuovo rapporto ora su Progressi scientifici , Huta R. Banjade, e un gruppo di ricerca in fisica, l'informatica e la scienza dell'informazione e la nanoscienza negli Stati Uniti e in Belgio hanno proposto motivi strutturali in cristalli inorganici per fungere da input centrale per un quadro di apprendimento automatico. Il team ha dimostrato come la presenza di motivi strutturali e le loro connessioni in un ampio set di composti cristallini potrebbe essere convertita in rappresentazioni vettoriali uniche tramite un algoritmo di apprendimento non supervisionato. Hanno raggiunto questo obiettivo creando una struttura incentrata sui motivi combinando le informazioni sui motivi con reti neurali a grafo basato su atomi per formare una rete a doppio grafo atomo-motivo (AMDNet). La configurazione ha previsto con precisione la struttura elettronica degli ossidi metallici come i bandgap. Il lavoro illustra un metodo per progettare architetture di apprendimento di reti neurali a grafo per studiare materiali complessi al di là delle proprietà fisiche degli atomi.

Metodi ML

I metodi di apprendimento automatico (ML) possono essere combinati con enormi dati sui materiali per accelerare la scoperta e la progettazione razionale di composti funzionali allo stato solido. L'apprendimento supervisionato può portare a previsioni di proprietà materiali, compresa la stabilità di fase e la natura cristallina, efficace per simulazioni di dinamica molecolare. I motivi della struttura possono essere creati secondo la prima regola di Pauling, formando un poliedro coordinato di anioni attorno a ciascun catione in un composto per comportarsi come elementi costitutivi fondamentali altamente correlati con le proprietà del materiale. Ad esempio, i motivi della struttura nei composti cristallini possono svolgere un ruolo essenziale per determinare le proprietà del materiale in varie applicazioni tecniche e scientifiche. In questo lavoro, Banjade et al. informazioni sul motivo della struttura incorporate in un framework di machine leaning (ML). Gli scienziati hanno combinato le informazioni sui motivi con le reti neurali convoluzionali del grafico per sviluppare un'architettura di apprendimento profondo incentrata sui motivi nota come rete a doppio grafico atomo-motivo (AMDNet). L'accuratezza della struttura ha superato quella di una rete di grafi all'avanguardia basata sull'atomo esistente per prevedere le strutture elettroniche dei materiali cristallini inorganici.

Un algoritmo di apprendimento non supervisionato Atom2Vec può comprendere le rappresentazioni vettoriali ad alta dimensionalità degli atomi codificando le proprietà di base degli atomi sulla base di un ampio database di formule chimiche. Banjade et al. incentrato su ossidi metallici binari e ternari che costituiscono uno spazio materiale vasto e diversificato in cui le strutture cristalline sono caratterizzate tramite la coordinazione catione-ossigeno. Per estrarre le informazioni sul motivo della struttura, il team ha utilizzato il metodo di identificazione dell'ambiente locale sviluppato da Waroquiers et al. come implementato dal codice Pymatgen. Il team ha identificato tre diversi tipi di connettività tra un motivo e il motivo adiacente; inclusa la condivisione interiore (un atomo condiviso), condivisione dei bordi (due atomi condivisi), e condivisione del volto (tre o più atomi condivisi). Gli scienziati hanno quindi proposto un algoritmo di apprendimento per sfruttare il processo di raccolta dei dati del motivo e hanno convertito efficacemente ogni riga della matrice dell'ambiente del motivo in un vettore ad alta dimensionalità per rappresentare un motivo strutturale unico. Hanno quindi estratto le informazioni sui motivi per il processo di apprendimento utilizzando una rete convoluzionale di grafici. Il team mirava a identificare modelli e informazioni di raggruppamento per questi vettori di motivi ad alta dimensionalità per influenzare le complesse proprietà dei materiali dei composti di ossido. Hanno visualizzato i dati ad alta dimensionalità utilizzando il vicino stocastico distribuito t (t-SNE), una tecnica di riduzione della dimensionalità non lineare.

Utilizzo delle informazioni sui motivi nelle reti neurali dei grafi.

Gli scienziati hanno ottenuto dati vettoriali di motivo proiettati in due dimensioni utilizzando il processo t-SNE. Hanno notato cluster distinti basati sui tipi di motivo. Le proprietà chimiche degli elementi che formano i motivi hanno giocato un ruolo chiave durante la formazione dei cluster. Per esempio, I motivi a base di lantanidi formavano diversi gruppi sulla base del tipo di motivo e i motivi a base di ittrio rimasero vicini ai motivi a base di lantanidi a causa delle loro somiglianze chimiche. Anche i motivi associati allo zinco e al magnesio si sono raggruppati insieme. I risultati basati sull'apprendimento non supervisionato hanno supportato i motivi della struttura per fungere da input essenziali per i composti cristallini che trasportano informazioni elementari e strutturali. Il team ha quindi utilizzato le informazioni sui motivi della struttura come input essenziale per una rete neurale a grafo (GNN) per prevedere le proprietà fisiche dei materiali. La maggior parte delle reti di grafi applicate ai materiali cristallini. Per consentire un'architettura di apprendimento di rappresentazioni grafiche di materiali a livello di atomo e a livello di motivo, Banjade et al. ha proposto che AMDNet possa essere costruito per migliorare il processo di apprendimento e migliorare l'accuratezza della previsione per le proprietà della struttura elettronica degli ossidi metallici. Nei grafici dei motivi, i ricercatori hanno codificato informazioni a livello di atomo e a livello di motivo in ciascun nodo e hanno costruito il grafico del motivo, inclusa connettività estesa, angolo, parametri di distanza e ordine utilizzando il pacchetto Python robocrystallography.

AMDNet

Nell'architettura AMDNet proposta, Banjade et al. informazioni sui motivi incorporate in un framework di apprendimento della rete di grafi per generare grafici di motivi e grafici di atomi che rappresentano composti con diversa cardinalità di bordi e nodi per combinare le informazioni prima di fare previsioni. Per ogni materiale, il team ha generato un grafico atomico e un grafico motivo. Hanno poi usato 22, 606 ossidi metallici binari e ternari dal database Materials Project per testare l'efficacia del modello proposto e si è concentrato sulla previsione dei bandgap, un problema complesso di struttura elettronica. I risultati hanno mostrato la superiorità di AMDNet durante la previsione del bandgap rispetto alle reti precedenti. Il modello ha anche mostrato prestazioni superiori durante un'attività di classificazione dei metalli rispetto ai non metalli. Il lavoro ha mostrato gli sforzi iniziali per incorporare informazioni sui materiali di alto livello in modelli di apprendimento profondo per materiali a stato solido.

In questo modo, Huta R. Banjade e colleghi hanno mostrato come i motivi strutturali nelle strutture cristalline potrebbero essere combinati con metodi di apprendimento automatico non supervisionati e supervisionati per migliorare la rappresentazione efficace dei sistemi di materiali allo stato solido. Per strutture elettroniche complesse, il team ha incluso la struttura e le informazioni sulla connessione del motivo in un modello AMDNet per superare le reti esistenti e prevedere le lacune elettroniche e le attività di classificazione di metalli rispetto a non metalli. Questo quadro generale di apprendimento può essere utilizzato per prevedere le proprietà di altri materiali, comprese le proprietà meccaniche e dello stato eccitato su materiali bidimensionali e strutture metallo-organiche.

© 2021 Science X Network