I ricercatori della Northwestern University hanno sviluppato un nuovo approccio computazionale per accelerare la progettazione di materiali che esibiscono transizioni metallo-isolante (MIT), una rara classe di materiali elettronici che ha mostrato il potenziale per avviare la progettazione futura e la consegna di microelettronica più veloce e sistemi di informazione quantistica, tecnologie fondamentali alla base dei dispositivi Internet of Things e dei data center su larga scala che alimentano il modo in cui gli esseri umani lavorano e interagiscono con gli altri.

La nuova strategia, una collaborazione tra i professori James Rondinelli e Wei Chen, tecniche integrate di inferenza statistica, teoria dell'ottimizzazione, e fisica computazionale dei materiali. L'approccio combina l'ottimizzazione bayesiana multiobiettivo con processi gaussiani a variabile latente per ottimizzare le caratteristiche ideali in una famiglia di materiali MIT chiamati spinelli lacunari complessi.

Quando i ricercatori cercano nuovi materiali, in genere cercano in luoghi in cui esistono già dati esistenti su materiali simili. La progettazione di molte classi di proprietà dei materiali è stata accelerata nei lavori esistenti con metodi basati sui dati aiutati dalla generazione di dati ad alto rendimento abbinata a metodi come l'apprendimento automatico.

Tali approcci, però, non sono stati disponibili per i materiali del MIT, classificati in base alla loro capacità di commutare in modo reversibile tra stati elettricamente conduttivi e isolanti. La maggior parte dei modelli MIT sono costruiti per descrivere un singolo materiale, rendendo la generazione dei modelli spesso impegnativa. Allo stesso tempo, i metodi convenzionali di apprendimento automatico hanno mostrato una capacità predittiva limitata a causa dell'assenza di dati disponibili, rendendo difficile la progettazione di nuovi materiali del MIT.

"I ricercatori capiscono come distillare informazioni da grandi set di dati sui materiali dove esistono e quando sono disponibili funzionalità adeguate, " disse Rondinelli, professore di scienza e ingegneria dei materiali e Morris E. Fine Professor in Materials and Manufacturing presso la McCormick School of Engineering, e corrispondente autore dello studio. "Ma cosa fai quando non hai grandi set di dati o le funzionalità necessarie? Il nostro lavoro interrompe questo status quo costruendo modelli predittivi ed esplorativi senza richiedere grandi set di dati o funzionalità a partire da un piccolo set di dati".

Un documento che descrive il lavoro, intitolato "L'ottimizzazione adattiva senza funzionalità accelera la progettazione di materiali elettronici funzionali, " è stato pubblicato il 6 novembre sulla rivista Revisione di fisica applicata .

Il metodo del gruppo di ricerca, chiamato motore di ottimizzazione avanzato (AOE), bypassa i tradizionali modelli di scoperta basati sull'apprendimento automatico utilizzando un approccio di modellazione del processo gaussiano a variabili latenti, che richiede solo le composizioni chimiche dei materiali per discernere la loro natura ottimale. Ciò ha consentito all'AOE basato sull'ottimizzazione bayesiana di cercare in modo efficiente materiali con sintonizzabilità ottimale del band gap (resistività/conduttività elettrica) e stabilità termica (sintetizzabilità), due caratteristiche che definiscono i materiali utili.

Per convalidare il loro approccio, il team ha analizzato centinaia di combinazioni chimiche utilizzando simulazioni basate sulla teoria della funzione di densità e ha trovato 12 composizioni precedentemente non identificate di spinelli lacunari complessi che hanno mostrato funzionalità e sintetizzabilità ottimali. Questi materiali MIT sono noti per ospitare trame di spin uniche, una caratteristica necessaria per alimentare il futuro Internet of Things e altre tecnologie ad alta intensità di risorse.

"Questo progresso supera i limiti tradizionali imposti dai progetti di materiali basati sull'intuizione chimica, " disse Chen, Wilson-Cook Professor in Engineering Design e professore e cattedra di ingegneria meccanica, e coautore dello studio. "Riformulando il design dei materiali funzionali come un problema di ottimizzazione, non solo abbiamo trovato una soluzione alla sfida di lavorare con dati limitati, ma ha anche dimostrato la capacità di scoprire in modo efficiente nuovi materiali ottimali per l'elettronica futura".

Mentre i ricercatori hanno testato il loro metodo su materiali inorganici, ritengono che l'approccio possa essere applicato anche ai materiali organici, come la progettazione di sequenze proteiche in biomateriali o sequenze di monomeri in materiali polimerici. Il modello offre anche una guida per prendere decisioni migliori verso la progettazione ottimale dei materiali scegliendo i composti candidati ideali da simulare.

"Il nostro metodo apre la strada all'ottimizzazione di più proprietà e alla co-progettazione di materiali multifunzionali complessi in cui i dati e le conoscenze precedenti sono scarsi, " Disse Rondinelli.

Il lavoro su questo studio è nato da un progetto che esplora l'ottimizzazione bayesiana nella scoperta di materiali all'interno del programma interdisciplinare di cluster interdisciplinare di Predictive Science and Engineering Design (PSED) sponsorizzato da The Graduate School at Northwestern. È stato sostenuto dai finanziamenti della National Science Foundation e dal programma DIFFERENTIATE dell'Agenzia per i progetti di ricerca avanzata (ARPA-E), che cerca di utilizzare le tecnologie di intelligenza artificiale emergenti per affrontare le principali sfide energetiche e ambientali.

"Questo lavoro mette in evidenza l'impatto del cluster di progettazione interdisciplinare PSED collaborativo, " Ha detto Chen. "Sottolinea anche i progressi cruciali che si verificano nell'intelligenza artificiale e nell'apprendimento automatico alla Northwestern nella progettazione e nell'ottimizzazione".