L'apprendimento automatico (ML) consente il calcolo accurato ed efficiente delle proprietà elettroniche fondamentali delle superfici di ossidi binari e ternari, come dimostrato dagli scienziati della Tokyo Tech. Il loro modello basato su ML potrebbe essere esteso ad altri composti e proprietà. I risultati, pubblicati nel Journal of American Chemical Society , potrebbe aiutare nello screening delle proprietà superficiali dei materiali nonché nello sviluppo di materiali funzionali.
La progettazione e lo sviluppo di nuovi materiali con proprietà superiori richiede un'analisi completa delle loro strutture atomiche ed elettroniche.
I parametri energetici degli elettroni come il potenziale di ionizzazione (IP), l’energia necessaria per rimuovere un elettrone dal massimo della banda di valenza, e l’affinità elettronica (EA), la quantità di energia rilasciata quando un elettrone viene attaccato al minimo della banda di conduzione, rivelano importanti informazioni sulla struttura delle bande elettroniche delle superfici di semiconduttori, isolanti e dielettrici.
La stima accurata di IP ed EA in tali materiali non metallici può indicare la loro applicabilità per l'uso come superfici funzionali e interfacce in apparecchiature fotosensibili e dispositivi optoelettronici.
Inoltre, IP ed EA dipendono in modo significativo dalle strutture superficiali, il che aggiunge un'altra dimensione alla complessa procedura della loro quantificazione. Il calcolo tradizionale di IP ed EA prevede l'uso di calcoli accurati basati sui principi primi, in cui i sistemi di massa e di superficie vengono quantificati separatamente. Questo processo dispendioso in termini di tempo impedisce di quantificare IP ed EA per molte superfici, il che richiede l'uso di approcci computazionalmente efficienti.
Per affrontare le questioni di ampia portata che riguardano la quantificazione degli IP e degli EA dei solidi non metallici, un team di scienziati del Tokyo Institute of Technology (Tokyo Tech), guidato dal professor Fumiyasu Oba, si è concentrato sul machine learning.
Il Prof. Oba afferma:"Negli ultimi anni, il machine learning ha guadagnato molta attenzione nella ricerca sulla scienza dei materiali. La capacità di vagliare virtualmente i materiali basati sulla tecnologia machine learning è un modo molto efficiente per esplorare nuovi materiali con proprietà superiori. Inoltre, la capacità di addestrare grandi set di dati utilizzando calcoli teorici accurati consente di prevedere con successo importanti caratteristiche della superficie e le loro implicazioni funzionali."
I ricercatori hanno utilizzato una rete neurale artificiale per sviluppare un modello di regressione, incorporando la sovrapposizione uniforme delle posizioni degli atomi (SOAP) come dati di input numerici. Il loro modello prevedeva in modo accurato ed efficiente gli IP e gli EA delle superfici di ossidi binari utilizzando le informazioni sulle strutture cristalline sfuse e sui piani di terminazione superficiale.
Inoltre, il modello di previsione basato sul machine learning potrebbe “trasferire l’apprendimento”, uno scenario in cui un modello sviluppato per uno scopo particolare può essere fatto per incorporare set di dati più recenti e riapplicarlo per attività aggiuntive. Gli scienziati hanno incluso gli effetti di più cationi nel loro modello sviluppando SOAP "apprendibili" e hanno previsto gli IP e gli EA degli ossidi ternari utilizzando l'apprendimento del trasferimento.
Il Prof. Oba conclude:"Il nostro modello non si limita alla previsione delle proprietà superficiali degli ossidi, ma può essere esteso allo studio di altri composti e delle loro proprietà."
Ulteriori informazioni: Shin Kiyohara et al, Allineamento delle bande degli ossidi mediante rete neurale assistita da descrittori strutturali e apprendimento di trasferimento, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c13574
Informazioni sul giornale: Giornale dell'American Chemical Society
Fornito dal Tokyo Institute of Technology
