I calanchi dello stanene:lo stanene è più morbido e di conseguenza molto più increspato dei suoi cugini grafene e silicene. Credito:Mathew Cherukara, Badri Narayanan e Subramanian Sankaranarayanan/Laboratorio Nazionale Argonne
Apprendimento automatico, un campo incentrato sull'addestramento dei computer a riconoscere modelli nei dati e fare nuove previsioni, sta aiutando i medici a diagnosticare più accuratamente le malattie e gli analisti azionari prevedono l'ascesa e la caduta dei mercati finanziari. E ora gli scienziati dei materiali hanno aperto la strada a un'altra importante applicazione per l'apprendimento automatico, contribuendo ad accelerare la scoperta e lo sviluppo di nuovi materiali.
Ricercatori del Center for Nanoscale Materials and the Advanced Photon Source, entrambe le strutture per gli utenti dell'Ufficio delle scienze del Dipartimento dell'energia degli Stati Uniti (DOE) presso l'Argonne National Laboratory del DOE, ha annunciato l'uso di strumenti di apprendimento automatico per prevedere con precisione il fisico, proprietà chimiche e meccaniche dei nanomateriali.
In uno studio pubblicato su Il Journal of Physical Chemistry Letters , un team di ricercatori guidati dallo scienziato computazionale Argonne Subramanian Sankaranarayanan ha descritto il loro uso di strumenti di apprendimento automatico per creare il primo modello a livello atomico che prevede con precisione le proprietà termiche dello stanene, un materiale bidimensionale (2-D) costituito da un foglio di stagno dello spessore di un atomo.
Lo studio rivela per la prima volta un approccio alla modellazione dei materiali che applica l'apprendimento automatico ed è più accurato nella previsione delle proprietà dei materiali rispetto ai modelli passati.
"La modellazione predittiva è particolarmente importante per i materiali scoperti di recente, per imparare a cosa servono, come rispondono a diversi stimoli e anche come coltivare in modo efficace il materiale per applicazioni commerciali, il tutto prima di investire in una produzione costosa, " ha detto il ricercatore post-dottorato di Argonne Mathew Cherukara, uno dei principali autori dello studio.
Tradizionalmente, i modelli di materiali su scala atomica hanno impiegato anni per svilupparsi, e i ricercatori hanno dovuto fare affidamento in gran parte sulla propria intuizione per identificare i parametri su cui costruire un modello. Ma utilizzando un approccio di apprendimento automatico, Cherukara e altri ricercatori sono stati in grado di ridurre la necessità di input umani riducendo il tempo per realizzare un modello accurato fino a pochi mesi.
"Inseriamo i dati ottenuti da calcoli sperimentali o costosi basati sulla teoria, e poi chiedi alla macchina, 'Puoi darmi un modello che descriva tutte queste proprietà?'", ha detto Badri Narayanan, un ricercatore post-dottorato Argonne e un altro autore principale dello studio. "Possiamo anche fare domande come, 'Possiamo ottimizzare la struttura, indurre difetti o adattare il materiale per ottenere proprietà specifiche desiderate?'"
Il team di ricerca Argonne che ha aperto la strada all'uso di strumenti di apprendimento automatico nella modellazione dei materiali 2D. Credito:Wes Agresta/Laboratorio Nazionale Argonne
A differenza della maggior parte dei modelli passati, il modello di apprendimento automatico può catturare con precisione la formazione di legami e gli eventi di rottura; questo non solo produce previsioni più affidabili delle proprietà dei materiali (ad esempio conduttività termica), ma consente anche ai ricercatori di catturare con precisione le reazioni chimiche e comprendere meglio come possono essere sintetizzati materiali specifici.
Un altro vantaggio della creazione di modelli utilizzando l'apprendimento automatico è che il processo non dipende dal materiale, il che significa che i ricercatori possono esaminare molte diverse classi di materiali e applicare l'apprendimento automatico a vari altri elementi e alle loro combinazioni.
Il modello computazionale Cherukara, Narayanan e i loro colleghi hanno sviluppato descrive stanene, una struttura in stagno che ha attirato l'attenzione dei ricercatori negli ultimi anni. L'interesse per lo stanene rispecchia un crescente interesse per i materiali 2-D in evoluzione dalla scoperta del grafene nel 2004, una disposizione a strato singolo di carbonio con un'elettronica attraente, proprietà termiche e meccaniche. Mentre lo stanene rimane lontano dalla commercializzazione, i ricercatori lo trovano promettente per le applicazioni nella gestione termica (la regolazione del calore) su alcuni dispositivi su scala nanometrica.
Lo studio, " Dall'inizio -Potenziale dell'ordine di legame basato sullo studio della bassa conduttività termica delle nanostrutture di Stanene, " è apparso in Il Journal of Physics Chemistry Letters .
