Figura 1. Schema schematico del Progetto Flagship M3I3. Questo progetto mira a raggiungere la perfetta integrazione delle relazioni multiscala "struttura-proprietà" e "processo-proprietà" attraverso la modellazione dei materiali, immagini, e apprendimento automatico. Con la capacità di sintesi automatica guidata dall'intelligenza artificiale (AI), M3I3 fornirà lo sviluppo accelerato di nuovi materiali nel prossimo futuro. Attestazione:KAIST
Lo sviluppo di nuovi materiali e nuovi processi ha continuato a cambiare il mondo. L'iniziativa M3I3 presso KAIST ha portato a nuove intuizioni sull'avanzamento dello sviluppo dei materiali implementando innovazioni nell'imaging dei materiali che hanno creato un cambiamento di paradigma nella scoperta dei materiali. L'iniziativa prevede la modellazione multiscala e l'imaging di strutture e relazioni di proprietà e gerarchie di materiali combinate con i più recenti dati di elaborazione dei materiali.
Il team di ricerca guidato dal professor Seungbum Hong ha analizzato i progetti di ricerca sui materiali segnalati dai principali istituti e gruppi di ricerca globali, e derivato un modello quantitativo utilizzando l'apprendimento automatico con un'interpretazione scientifica. Questo processo incarna l'obiettivo di ricerca del M3I3:Materiali e modellistica molecolare, Immagini, Informatica e integrazione.
I ricercatori hanno discusso il ruolo dei materiali multiscala e dell'imaging molecolare combinati con l'apprendimento automatico e hanno anche presentato una prospettiva futura per gli sviluppi e le principali sfide di M3I3. Costruendo questo modello, il team di ricerca prevede di creare i set di proprietà desiderati per i materiali e di ottenere le ricette di lavorazione ottimali per sintetizzarli.
"Lo sviluppo di vari strumenti di microscopia e diffrazione con la capacità di mappare la struttura, proprietà, e le prestazioni dei materiali a livelli multiscala e in tempo reale ci hanno permesso di pensare che l'imaging dei materiali potrebbe accelerare radicalmente la scoperta e lo sviluppo dei materiali, "dice il professor Hong.
"Abbiamo in programma di creare un repository M3I3 di mappe strutturali e di proprietà ricercabili utilizzando FAIR (Findable, Accessibile, interoperabile, e riutilizzabili) per standardizzare le migliori pratiche e semplificare la formazione dei ricercatori all'inizio della carriera."
Figura 2. Grafico del triangolo del contorno della capacità in funzione della composizione (Ni, Co, e Mn), dimensione delle particelle, temperatura/tempo di sinterizzazione, temperatura di misura, tensione di interruzione, e tasso C. Attestazione:KAIST
Uno degli esempi che mostra la potenza dell'imaging struttura-proprietà su scala nanometrica è lo sviluppo di materiali futuri per dispositivi di memoria non volatile emergenti. Nello specifico, il team di ricerca si è concentrato sulla microscopia utilizzando fotoni, elettroni, e sonde fisiche sulla gerarchia strutturale multiscala, così come le relazioni struttura-proprietà per migliorare le prestazioni dei dispositivi di memoria.
"M3I3 è un algoritmo per eseguire il reverse engineering di materiali futuri. Il reverse engineering inizia analizzando la struttura e la composizione di materiali o prodotti all'avanguardia. Una volta che il team di ricerca determina le prestazioni dei nostri materiali futuri mirati, abbiamo bisogno di conoscere le strutture e le composizioni candidate per la produzione dei materiali futuri".
Il team di ricerca ha costruito un disegno sperimentale basato sui dati basato sull'NCM tradizionale (nichel, cobalto, e manganese) materiali catodici. Con questo, il team di ricerca ha ampliato la propria direzione futura per raggiungere una capacità di scarica ancora più elevata, che può essere realizzato tramite catodi ricchi di litio.
Però, una delle maggiori sfide è stata la limitazione dei dati disponibili che descrivono le proprietà del catodo ricco di litio. Per mitigare questo problema, i ricercatori hanno proposto due soluzioni:primo, dovrebbero costruire un generatore di dati guidato dall'apprendimento automatico per l'aumento dei dati. Secondo, userebbero un metodo di apprendimento automatico basato sull'"apprendimento per trasferimento". Poiché il database del catodo NCM condivide una caratteristica comune con un catodo ricco di litio, si potrebbe considerare di riproporre il modello addestrato NCM per assistere la previsione ricca di litio. Con il modello preaddestrato e il trasferimento di apprendimento, il team si aspetta di ottenere previsioni eccezionali per i catodi ricchi di litio anche con il piccolo set di dati.
Con i progressi nell'imaging sperimentale e la disponibilità di informazioni ben risolte e big data, insieme a significativi progressi nel calcolo ad alte prestazioni e una spinta mondiale verso un generale, collaborativo, integrativo, e piattaforma di ricerca su richiesta, c'è una chiara confluenza nelle capacità richieste per far avanzare l'iniziativa M3I3.
Il professor Hong ha detto, "Una volta che siamo riusciti a utilizzare il solutore inverso di "elaborazione della struttura della proprietà" per sviluppare il catodo, anodo, elettrolita, e materiali a membrana per batterie agli ioni di litio ad alta densità di energia, amplieremo la nostra gamma di materiali alle batterie/celle a combustibile, aerospaziale, automobili, cibo, medicinale, e materiali cosmetici."
