Trovare nuovi materiali funzionali è sempre difficile. Ma la ricerca di proprietà molto specifiche in una famiglia relativamente piccola di materiali conosciuti è ancora più difficile.

Ma un team della Northwestern Engineering e del Los Alamos National Laboratory ha trovato una soluzione alternativa. Il gruppo ha sviluppato un nuovo flusso di lavoro che combina l'apprendimento automatico e i calcoli della teoria del funzionale della densità per creare linee guida di progettazione per nuovi materiali che presentano proprietà elettroniche utili, come ferroelettricità e piezoelettricità.

Pochi materiali stratificati hanno queste qualità in determinate geometrie, fondamentali per lo sviluppo di soluzioni per l'elettronica, comunicazione, e problemi energetici, il che significa che c'erano pochissimi dati da cui formulare le linee guida utilizzando approcci di ricerca tradizionali.

"Quando gli altri cercano nuovi materiali, in genere cercano in luoghi in cui hanno molti dati da materiali simili. Non è necessariamente facile in alcun modo, ma sappiamo come distillare informazioni da grandi set di dati, " disse Giacomo M. Rondinelli, assistente professore di scienza e ingegneria dei materiali presso la McCormick School of Engineering. "Quando non hai molte informazioni, imparare dai dati diventa un problema difficile."

La ricerca è descritta nell'articolo "Imparare dai dati per progettare materiali funzionali senza simmetria di inversione, " apparso nel 17 febbraio, 2017, problema di Comunicazioni sulla natura . Prasanna Balachandran del Los Alamos National Lab nel New Mexico è il coautore dell'articolo. Giosuè giovane, un ex studente laureato nel laboratorio di Rondinelli, e Turab Lookman, un ricercatore senior a Los Alamos, anche contribuito.

Supportato dai finanziamenti della National Science Foundation e dal Laboratory Directed Research and Development Program attraverso Los Alamos, Il gruppo di Rondinelli si è concentrato su una classe di ossidi complessi bidimensionali, o ossidi di Ruddlesden-Popper. Questi materiali mostrano molte proprietà tecnologiche, come ferroelettricità e piezoelettricità, e può essere interfacciato con i materiali semiconduttori tradizionali presenti nei dispositivi elettronici di oggi.

"In questa famiglia, il set di dati è scarso. Attualmente, ci sono solo circa 10-15 materiali noti con le proprietà desiderate, Rondinelli ha detto. "Non sono molti i dati su cui lavorare. Tradizionalmente la scienza dei dati viene utilizzata per problemi di big data in cui c'è meno bisogno di conoscenza del dominio".

"Nonostante la natura ridotta dei dati del problema, "Balachandran ha aggiunto, "il nostro approccio ha funzionato perché siamo stati in grado di combinare la nostra comprensione di questi materiali (conoscenza del dominio) con i dati per informare l'apprendimento automatico".

Perciò, il gruppo ha iniziato a costruire un database di materiali conosciuti e ad utilizzare l'apprendimento automatico, un sottocampo dell'informatica che costruisce algoritmi in grado di apprendere dai dati e quindi utilizzare tale apprendimento per fare previsioni migliori. "Con l'apprendimento automatico, siamo in grado di identificare le composizioni chimiche che sono probabili candidati per il materiale che si desidera sviluppare, " Egli ha detto.

Degli oltre 3, 000 possibili materiali indagati, l'approccio data science ha trovato più di 200 candidati promettenti. Prossimo, il team ha applicato diversi tipi di rigorosi calcoli di meccanica quantistica. Questo ha valutato le strutture atomiche dei potenziali materiali e ne ha verificato la stabilità.

"Ci siamo chiesti:il materiale avrebbe la struttura prevista? Ha polarizzazione elettrica? Può essere realizzato in laboratorio?" Rondinelli ha aggiunto.

Questo lavoro ha ristretto le possibilità a 19, che sono stati raccomandati per la sintesi sperimentale immediata. Eppure ci sono probabilmente molte più possibilità tra i 200 candidati.

Tipicamente, nello sviluppo di nuovi materiali, il numero di possibilità è troppo grande per esplorarle e svilupparle ciascuna. Il processo di screening dei potenziali materiali è molto costoso, e gli scienziati devono essere selettivi nei loro investimenti.

"Il nostro lavoro ha il potenziale per aiutare a risparmiare enormi quantità di tempo e risorse, " Disse Balachandran. "Invece di esplorare tutti i materiali possibili, solo quei materiali che hanno il potenziale per essere promettenti saranno raccomandati per l'indagine sperimentale".