Progettare materiali che hanno le proprietà necessarie per svolgere funzioni specifiche è una sfida affrontata dai ricercatori che lavorano in aree dalla catalisi alle celle solari. Per accelerare i processi di sviluppo, approcci di modellazione possono essere utilizzati per prevedere le informazioni per guidare i perfezionamenti. I ricercatori dell'Istituto di scienze industriali dell'Università di Tokyo hanno sviluppato un modello di apprendimento automatico per determinare le caratteristiche dei materiali legati e adsorbiti in base ai parametri dei singoli componenti. I loro risultati sono pubblicati in Fisica Applicata Express .

Fattori come la lunghezza e la forza dei legami nei materiali giocano un ruolo cruciale nel determinare le strutture e le proprietà che sperimentiamo su scala macroscopica. La capacità di prevedere facilmente queste caratteristiche è quindi preziosa durante la progettazione di nuovi materiali.

La densità degli stati (DOS) è un parametro che può essere calcolato per singoli atomi, molecole, e materiali. In poche parole, descrive le opzioni a disposizione degli elettroni che si dispongono in un materiale. Un approccio di modellazione che può prendere queste informazioni per componenti selezionati e produrre dati utili per il prodotto desiderato, senza la necessità di realizzare e analizzare il materiale, è uno strumento interessante.

I ricercatori hanno utilizzato un approccio di apprendimento automatico, in cui il modello affina la sua risposta senza intervento umano, per prevedere quattro diverse proprietà dei prodotti dalle informazioni DOS dei singoli componenti. Sebbene il DOS sia stato utilizzato come descrittore per stabilire i singoli parametri in precedenza, questa è la prima volta che sono state previste più proprietà diverse.

"Siamo stati in grado di prevedere quantitativamente l'energia di legame, lunghezza del legame, numero di elettroni covalenti, e l'energia di Fermi dopo l'incollaggio per tre diversi tipi generali di sistema, ", spiega il primo autore dello studio Eiki Suzuki. "E le nostre previsioni erano molto accurate su tutte le proprietà".

Poiché il calcolo del DOS di uno stato isolato è meno complesso rispetto ai sistemi legati, l'analisi è relativamente efficiente. Inoltre, il modello di rete neurale utilizzato ha funzionato bene anche quando solo il 20% del set di dati è stato utilizzato per l'addestramento.

"Un vantaggio significativo del nostro modello è che è generale e può essere applicato a un'ampia varietà di sistemi, " Spiega l'autore corrispondente dello studio Teruyasu Mizoguchi. "Riteniamo che i nostri risultati potrebbero dare un contributo significativo a numerosi processi di sviluppo, ad esempio nella catalisi, e potrebbe essere particolarmente utile nelle aree di ricerca più recenti come i nano cluster e i nanofili".

L'articolo, "Previsione accurata delle proprietà di legame da un modello basato sull'apprendimento automatico utilizzando stati isolati prima del legame", è stato pubblicato in Fisica Applicata Express .