25 Aralık 2023 (Nanowerk Gündemi) İki boyutlu (2B) malzemeler sevmek grafen olağanüstü elektronik, optik ve mekanik özellikleri nedeniyle bilim ve endüstride büyük ilgi görmüştür. Ancak yoğun çalışmalara rağmen laboratuvarlarda 100'den az farklı 2 boyutlu malzeme başarıyla sentezlendi. Bu, transistörler, sensörler, piller ve diğer uygulamalardaki pratik kullanımlarını ciddi şekilde sınırlandırmaktadır.
Şimdi araştırmacılar bir yöntem geliştirdiler. yapay zeka Kimyasal olarak kararlı 2 boyutlu malzemelerin keşfini ve doğrulanmasını otomatikleştiren sistem. Bu çığır açıcı teknik, daha önceki manuel aramalarda gözden kaçan, gelecek vaat eden altı yeni 2D adayı zaten buldu.
Bulgularını rapor ediyorlar Gelişmiş Akıllı Sistemler (“Transformatör Ağı Tabanlı Üretken Tasarım Kullanılarak 2 Boyutlu Malzemelerin Keşfi”).
Malzeme transformatör jeneratörü (MTG) boru hattının mimarisi. BLMM, transformatör sinir ağı tabanlı bir kompozisyon oluşturucudur. TCSP ve CSPML, şablon tabanlı kristal yapı tahmin algoritmalarıdır ve BOWSR ve M3GNET, makine öğrenimi potansiyeline dayalı yapı gevşetme algoritmalarıdır. DFT gevşemesi birinci prensip hesaplama yöntemidir. (Wiley-VCH Verlag'ın izniyle yeniden basılmıştır)
Tarihsel olarak, insanın kimyasal sezgisinin rehberliğinde özenli deneme yanılma deneyleri yoluyla yeni malzemeler bulundu. Ancak olası kararlı bileşiklerin geniş arama alanı, kaba kuvvet testini mantıksız hale getiriyor. Çalışmanın ortak yazarı Jianjun Hu, "Laboratuvarlarda tek tek sentezlenip karakterize edilebilecek çok fazla potansiyel yeni malzeme var" diye açıklıyor. “Olasılıkları akıllıca keşfetmek için hesaplama araçlarına ihtiyacımız var.”
Geçtiğimiz on yılda, yüksek verimli sanal tarama, bilgi işlem gücü ve elektronik yapı algoritmalarındaki gelişmelerden yararlanılarak uygulanabilir hale geldi. Ancak otomatikleştirilmiş yaklaşımlar bile elemanların kararlı 2 boyutlu geometrilere karıştırılmasının muazzam kombinatoriklerini açıklamakta zorlanıyor. Hu, "Makine öğrenimi, insanları keşif döngüsünden çıkarıyor ve algoritmaların malzeme verilerine bakarak kendi kendilerine öğrenmelerine olanak tanıyor" diyor.
Malzeme Transformatörü Jeneratörü (MTG) olarak adlandırılan yeni teknik, çeşitli yapay zeka bileşenlerini entegre ediyor. İlk olarak, yük nötrlüğü gerekliliklerine uyan atom kombinasyonlarını oluşturmak için bir sinir dizisi modeli kullanıyor. Daha sonra, bu bileşimler, onları eleman ikamesi yoluyla bilinen 2 boyutlu malzeme şablonlarının geometrisiyle eşleştiren özel kristal tahmin algoritmalarına beslenir. Daha sonra iki farklı makine öğrenimi tabanlı gevşetici, tahmin edilen yapıların atomik koordinatlarını optimize eder. Son olarak yoğunluk fonksiyonel teorisi hesaplamaları, malzemelerin termodinamik olarak kararlı olup olmadığını kontrol eder.
Dikkat çekici bir şekilde, bu otomatik boru hattı dört yeni 2D bileşik buldu: NiCl4, IrSBr, CuBr3, CoBrCl - yoğunluk fonksiyonel teorisi ile termodinamik olarak kararlı olduğu doğrulandı. Diğer ikisi GaBrO ve NbBrCl3ideal değerlere çok yakın yarı stabilite sergilerler. Araştırmacılar ayrıca CuBr'nin dinamik kararlılığını da doğruladılar3 ve GaBrO, hayali fonon modlarının olmadığını göstererek. Bu, her ikisinin de atomik titreşimleri parçalanmadan sürdürebildiğini gösterir.
Hu, "Gerçekçi malzemelerin tutarlı bir şekilde keşfedilmesi, bu yapay zeka tekniklerinin insanın kimyasal sezgisini ve bilimsel bilgisini bir dereceye kadar özetleyebileceğini kanıtlıyor" diyor. “Fakat aynı zamanda herhangi bir insanın anlayabileceğinin ötesinde kombinatorikleri de araştırıyorlar.” Özellikle CuBr3 ve GaBrO geriye bakıldığında basit yapılara sahiptir. Ancak bilimsel literatürde şimdiye kadar bunların yaşayabilirliğine dair hiçbir şey yoktu.
Yapay zeka destekli malzeme keşfine yönelik daha önceki girişimlerle karşılaştırıldığında, MTG'nin büyük yeniliği uçtan uca entegrasyonunda yatmaktadır. Hu, "Her bileşenin ayrı ayrı literatürde emsalleri var" diye açıklıyor. "Bizim atılımımız kompozisyonu, yapı tahminini, gevşetmeyi ve doğrulamayı makine öğrenimi modelleriyle birleştirmede yatıyor." Araştırmacılar, MTG'nin herhangi bir bileşeni hariç varyantlarını kıyasladı ve keşif oranlarının büyük ölçüde azaldığını buldu; bu da entegrasyonun önemli olduğunu kanıtladı.
Bu teknoloji, yeni nesil cihazların tasarlanması için mevcut 2 boyutlu malzeme paletini büyük ölçüde genişletebilir. Ancak geniş ölçekli pratik benimsemeden önce, araştırmacıların önerilen bileşiklerin bazılarının fiziksel laboratuvarlarda sentezlenmesini test etmeleri gerekiyor. Hu, "Nihai doğrulama deneysel gösteriyi gerektirir" diyor. "Artık itici güç, simülasyonla öne çıkan öncü noktaların farkına varma konusunda malzeme kimyagerlerinde yatıyor."
Sentez başarılı olursa MTG, belirli endüstriyel ve bilimsel uygulamalara göre uyarlanmış yeni 2 boyutlu malzemelerin yapay zeka ile hızlandırılmış bir dalgasını başlatabilir. Sinir mimarisi ayrıca katalizörler, polimerler ve kuantum malzemeleri gibi ilgili alanlardaki keşifleri otomatikleştirmek için bir plan sağlar. Hu, "Sürekli olarak yeni bileşikler öneren ve değerlendiren yapay bilim adamları tarafından yönetilen özerk laboratuvarlar öngörüyoruz" diye bitiriyor. "Bu çalışma, bu iddialı uzun vadeli vizyonun köprülenmesine yardımcı oluyor."
Malzeme transformatör jeneratörü (MTG) boru hattının mimarisi. BLMM, transformatör sinir ağı tabanlı bir kompozisyon oluşturucudur. TCSP ve CSPML, şablon tabanlı kristal yapı tahmin algoritmalarıdır ve BOWSR ve M3GNET, makine öğrenimi potansiyeline dayalı yapı gevşetme algoritmalarıdır. DFT gevşemesi birinci prensip hesaplama yöntemidir. (Wiley-VCH Verlag'ın izniyle yeniden basılmıştır)
Tarihsel olarak, insanın kimyasal sezgisinin rehberliğinde özenli deneme yanılma deneyleri yoluyla yeni malzemeler bulundu. Ancak olası kararlı bileşiklerin geniş arama alanı, kaba kuvvet testini mantıksız hale getiriyor. Çalışmanın ortak yazarı Jianjun Hu, "Laboratuvarlarda tek tek sentezlenip karakterize edilebilecek çok fazla potansiyel yeni malzeme var" diye açıklıyor. “Olasılıkları akıllıca keşfetmek için hesaplama araçlarına ihtiyacımız var.”
Geçtiğimiz on yılda, yüksek verimli sanal tarama, bilgi işlem gücü ve elektronik yapı algoritmalarındaki gelişmelerden yararlanılarak uygulanabilir hale geldi. Ancak otomatikleştirilmiş yaklaşımlar bile elemanların kararlı 2 boyutlu geometrilere karıştırılmasının muazzam kombinatoriklerini açıklamakta zorlanıyor. Hu, "Makine öğrenimi, insanları keşif döngüsünden çıkarıyor ve algoritmaların malzeme verilerine bakarak kendi kendilerine öğrenmelerine olanak tanıyor" diyor.
Malzeme Transformatörü Jeneratörü (MTG) olarak adlandırılan yeni teknik, çeşitli yapay zeka bileşenlerini entegre ediyor. İlk olarak, yük nötrlüğü gerekliliklerine uyan atom kombinasyonlarını oluşturmak için bir sinir dizisi modeli kullanıyor. Daha sonra, bu bileşimler, onları eleman ikamesi yoluyla bilinen 2 boyutlu malzeme şablonlarının geometrisiyle eşleştiren özel kristal tahmin algoritmalarına beslenir. Daha sonra iki farklı makine öğrenimi tabanlı gevşetici, tahmin edilen yapıların atomik koordinatlarını optimize eder. Son olarak yoğunluk fonksiyonel teorisi hesaplamaları, malzemelerin termodinamik olarak kararlı olup olmadığını kontrol eder.
Dikkat çekici bir şekilde, bu otomatik boru hattı dört yeni 2D bileşik buldu: NiCl4, IrSBr, CuBr3, CoBrCl - yoğunluk fonksiyonel teorisi ile termodinamik olarak kararlı olduğu doğrulandı. Diğer ikisi GaBrO ve NbBrCl3ideal değerlere çok yakın yarı stabilite sergilerler. Araştırmacılar ayrıca CuBr'nin dinamik kararlılığını da doğruladılar3 ve GaBrO, hayali fonon modlarının olmadığını göstererek. Bu, her ikisinin de atomik titreşimleri parçalanmadan sürdürebildiğini gösterir.
Hu, "Gerçekçi malzemelerin tutarlı bir şekilde keşfedilmesi, bu yapay zeka tekniklerinin insanın kimyasal sezgisini ve bilimsel bilgisini bir dereceye kadar özetleyebileceğini kanıtlıyor" diyor. “Fakat aynı zamanda herhangi bir insanın anlayabileceğinin ötesinde kombinatorikleri de araştırıyorlar.” Özellikle CuBr3 ve GaBrO geriye bakıldığında basit yapılara sahiptir. Ancak bilimsel literatürde şimdiye kadar bunların yaşayabilirliğine dair hiçbir şey yoktu.
Yapay zeka destekli malzeme keşfine yönelik daha önceki girişimlerle karşılaştırıldığında, MTG'nin büyük yeniliği uçtan uca entegrasyonunda yatmaktadır. Hu, "Her bileşenin ayrı ayrı literatürde emsalleri var" diye açıklıyor. "Bizim atılımımız kompozisyonu, yapı tahminini, gevşetmeyi ve doğrulamayı makine öğrenimi modelleriyle birleştirmede yatıyor." Araştırmacılar, MTG'nin herhangi bir bileşeni hariç varyantlarını kıyasladı ve keşif oranlarının büyük ölçüde azaldığını buldu; bu da entegrasyonun önemli olduğunu kanıtladı.
Bu teknoloji, yeni nesil cihazların tasarlanması için mevcut 2 boyutlu malzeme paletini büyük ölçüde genişletebilir. Ancak geniş ölçekli pratik benimsemeden önce, araştırmacıların önerilen bileşiklerin bazılarının fiziksel laboratuvarlarda sentezlenmesini test etmeleri gerekiyor. Hu, "Nihai doğrulama deneysel gösteriyi gerektirir" diyor. "Artık itici güç, simülasyonla öne çıkan öncü noktaların farkına varma konusunda malzeme kimyagerlerinde yatıyor."
Sentez başarılı olursa MTG, belirli endüstriyel ve bilimsel uygulamalara göre uyarlanmış yeni 2 boyutlu malzemelerin yapay zeka ile hızlandırılmış bir dalgasını başlatabilir. Sinir mimarisi ayrıca katalizörler, polimerler ve kuantum malzemeleri gibi ilgili alanlardaki keşifleri otomatikleştirmek için bir plan sağlar. Hu, "Sürekli olarak yeni bileşikler öneren ve değerlendiren yapay bilim adamları tarafından yönetilen özerk laboratuvarlar öngörüyoruz" diye bitiriyor. "Bu çalışma, bu iddialı uzun vadeli vizyonun köprülenmesine yardımcı oluyor."
– Michael, Royal Society of Chemistry tarafından yazılan üç kitabın yazarıdır:
Nano-Toplum: Teknolojinin Sınırlarını Zorlamak,
Nanoteknoloji: Gelecek Küçük, ve
Nano-mühendislik: Teknolojiyi Görünmez Yapan Beceri ve Araçlar
Telif Hakkı ©
Nanowerk LLC
Spotlight konuk yazarı olun! Geniş ve büyüyen grubumuza katılın konuk katkıda bulunanlar. Nanoteknoloji topluluğuyla paylaşmak için bilimsel bir makale yayınladınız mı veya başka heyecan verici gelişmeleriniz mi var? Nanowerk.com'da nasıl yayınlayacağınız burada.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://www.nanowerk.com/spotlight/spotid=64313.php
