• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Il deep learning lancia un'ampia rete per nuovi materiali 2-D

    I ricercatori della Rice University hanno utilizzato un modello di microstruttura di nitruro di boro esagonale danneggiato dalle radiazioni per aiutarli a studiare i vantaggi delle tecniche di apprendimento profondo nella simulazione di materiali bidimensionali per comprenderne le caratteristiche. Credito:Prabhas Hundi/Rice University

    Gli scienziati stanno scoprendo nuovi materiali bidimensionali a un ritmo rapido, ma non sempre sanno immediatamente cosa possono fare quei materiali.

    I ricercatori della Brown School of Engineering della Rice University affermano di poterlo scoprire rapidamente fornendo i dettagli di base delle loro strutture ad agenti di "apprendimento profondo" che hanno il potere di mappare le proprietà dei materiali. Meglio ancora, gli agenti possono modellare rapidamente i materiali che gli scienziati stanno pensando di realizzare per facilitare la progettazione "dal basso verso l'alto" di materiali 2D.

    Rouzbeh Shahsavari, un assistente professore di ingegneria civile e ambientale, e lo studente laureato Rice Prabhas Hundi hanno esplorato le capacità delle reti neurali e dei percettroni multistrato che prendono dati minimi dalle strutture simulate di materiali 2-D e fanno previsioni "ragionevolmente accurate" delle loro caratteristiche fisiche, come forza, anche dopo essere stati danneggiati dalle radiazioni e dalle alte temperature.

    Una volta addestrato, Shahsavari ha detto, questi agenti potrebbero essere adattati per analizzare nuovi materiali 2-D con appena il 10% dei loro dati strutturali. Ciò restituirebbe un'analisi dei punti di forza del materiale con una precisione di circa il 95%, Egli ha detto.

    "Ciò suggerisce che il transfer learning (in cui un algoritmo di deep learning addestrato su un materiale può essere applicato a un altro) è un potenziale punto di svolta negli approcci di scoperta e caratterizzazione dei materiali, " hanno suggerito i ricercatori.

    I risultati dei loro test approfonditi sul grafene e sul nitruro di boro esagonale appaiono sulla rivista Piccolo .

    Dalla scoperta del grafene nel 2004, i materiali dello spessore di un atomo sono stati propagandati per la loro forza e la gamma di proprietà elettroniche per i compositi e l'elettronica. Poiché le loro disposizioni atomiche hanno un impatto significativo sulle loro proprietà, i ricercatori usano spesso simulazioni di dinamica molecolare per analizzare le strutture di nuovi materiali 2-D anche prima di provare a realizzarli.

    Prabhas Hundi, studente laureato alla Rice University, sinistra, e Rouzbeh Shahsavari, un assistente professore di ingegneria civile e ambientale, stanno utilizzando tecniche di deep learning per accelerare le simulazioni di nuovi materiali bidimensionali per comprenderne le caratteristiche e come sono influenzati dalle alte temperature e dalle radiazioni. Credito:Jeff Fitlow/Rice University

    Shahsavari ha affermato che il deep learning offre un significativo aumento di velocità rispetto a tali simulazioni tradizionali di materiali 2D e delle loro caratteristiche, consentendo calcoli che ora richiedono giorni di tempo di supercomputer per essere eseguiti in ore.

    "Poiché possiamo costruire le nostre mappe struttura-proprietà con solo una frazione dei dati provenienti da simulazioni di dinamica molecolare del grafene o del nitruro di boro, vediamo un ordine di grandezza in meno di tempo computazionale per ottenere un comportamento completo del materiale, " Egli ha detto.

    Shahsavari ha affermato che il laboratorio ha deciso di studiare il grafene e il nitruro di boro esagonale per la loro elevata tolleranza al deterioramento ad alte temperature e in ambienti ricchi di radiazioni, proprietà importanti per i materiali nei veicoli spaziali e nelle centrali nucleari. Perché il gruppo Shahsavari aveva già effettuato più di 11, 000 simulazioni di dinamica molecolare del danno a cascata di radiazioni per un altro articolo sui materiali 2-D, avevano incentivo a vedere se potevano riprodurre i loro risultati con un metodo molto più veloce.

    Hanno eseguito migliaia di simulazioni di "apprendimento profondo" su 80 combinazioni di radiazione e temperatura per il nitruro di boro esagonale e 48 combinazioni per il grafene, colpire ogni combinazione con 31 dosi casuali di radiazioni simulate. Per alcuni, i ricercatori hanno addestrato l'agente di deep learning con un massimo del 45 percento dei dati del loro studio sulla dinamica molecolare, raggiungendo fino al 97% di accuratezza nella previsione dei difetti e dei loro effetti sulle caratteristiche del materiale.

    Adattare gli agenti addestrati a materiali diversi, hanno trovato, richiesto solo il 10% circa dei dati simulati, accelerando notevolmente il processo mantenendo una buona precisione.

    "Abbiamo cercato di capire le corrispondenti resistenze residue dei materiali dopo l'esposizione a condizioni estreme, insieme a tutti i difetti, " ha detto. "Come previsto, quando la temperatura media o la radiazione erano troppo alte, la resistenza residua è diventata piuttosto bassa. Ma questa tendenza non è sempre stata ovvia".

    In alcuni casi, Egli ha detto, la maggiore radiazione combinata e temperature più elevate hanno reso un materiale più robusto anziché meno, e aiuterebbe i ricercatori a saperlo prima di realizzare un prodotto fisico.

    "Il nostro metodo di deep learning sullo sviluppo di mappe struttura-proprietà potrebbe aprire un nuovo quadro per comprendere il comportamento dei materiali 2-D, scoprirne i punti in comune e le anomalie non intuitive, ed eventualmente progettarli meglio per applicazioni su misura, "Ha detto Shahsavari.


    © Scienza https://it.scienceaq.com