Harvard John A. Paulson Mühendislik ve Uygulamalı Bilimler Okulu’ndaki araştırmacılar (SEAS), malzemelerin bir milyon atomun ölçeğine kadar elektrik alanlarına nasıl tepki verdiğini-kiprik mekanik yöntemlerin ötesinde hızlandıran, bir zamanlar sadece birkaç yüz atomu modelleyebilen kuantum düzeyinde doğrulukla tahmin edebilen bir makine öğrenme çerçevesi geliştirdiler.
Çalışma, bilim adamlarının ve mühendislerinin, gelişmiş malzeme tasarımı veya enerji teknolojileri için büyük etkileri olabilecek birçok dış uyaranlara verilen farklı malzemelerin tepkilerinin son derece doğru, büyük ölçekli simülasyonlarını gerçekleştirmelerini sağlayacaktır.
Araştırma şurada yayınlandı Doğa İletişimi ve Gordon McKay Seass Malzeme Bilimi ve Makine Mühendisliği Profesörü ve Kimya ve Kimyasal Biyoloji Profesörü Gordon McKay Kıdemli Yazar Boris Kozinsky’den eski bir doktora araştırmacısı olan Stefano Falletta liderliğinde.
30 yılı aşkın bir süredir, atomların ve moleküllerin özelliklerini ve davranışlarını simüle etmenin birincil yöntemi, yoğunluk fonksiyonel teorisi, fiziksel ve son derece doğru, ancak hesaplama açısından yoğun ve dolayısıyla sadece daha küçük sistemlerle sınırlı bir dizi kuantum-mekanik denklemdir.
Son yıllarda, yoğunluk fonksiyonel teorisinin doğruluğunu korurken daha büyük boyutlarda ve daha uzun zaman ölçeklerinde malzemelerin kuantum davranışını incelemek makine öğrenimi ile desteklenmiştir, ancak dış uyaranlara verilen yanıtların modellenmesi bir zorluk olmuştur. Bunun nedeni, mevcut makine öğrenme yöntemlerinin hem enerjik hem de elektriksel özelliklerle ilgili fiziksel simetrileri ve koruma yasalarını göz ardı etme eğiliminde olması ve mülk tahminlerinde yanlışlıklara yol açmasıdır.
Bu sorunları çözmek için yazarlar, enerji ve polarizasyon gibi farklı kuantum davranışlarını tek bir genelleştirilmiş potansiyel enerji fonksiyonuna dönüştüren bir makine öğrenme yöntemi tasarladılar. Yoğunluk fonksiyonel teori hesaplamalarını eğitim ve validasyon verileri olarak kullanan model, dış alanların etkilerini içerir ve doğru fiziği uygular.
Allegro-Pol olarak adlandırılan yeni çerçeve, belirli bir atomda bulunan enerji ve atom kuvvetlerinin doğru simülasyonlarını gerçekleştiren Allegro adlı daha önce gelişmiş bir sinir ağı mimarisi üzerine kuruludur. Falletta, Allegro’nun sadece gerçek zamanlı moleküler dinamikleri değil, aynı zamanda atomların harici bir elektrik alanının uygulanması gibi dış pertürbasyonlara maruz kaldığında ne olacağını genişletmeye çalıştı.
Bu etkileşimleri anlamak, örneğin, uçucu olmayan bellek, kapasitörler ve enerji depolama cihazları gibi uygulamalarda kullanılabilecek yeni ferroelektrik malzemeleri ve dielektrik malzemeleri keşfetmek için gereklidir.
Falletta, “Kuantum mekanik denklemleri çözen fizik tabanlı yöntemler kullanıyorsanız, sadece birkaç yüz atoma kadar gidebilirsiniz.” Dedi. “Bu makine öğrenme yöntemleriyle, esasen yüz binlerce atomu hatta bir milyona ölçeklendirebilirsiniz.”
Silikon dioksitin kızılötesi ve elektriksel özelliklerini ve baryum titanatta sıcaklığa bağlı ferroelektrik anahtarlamayı simüle ederek yöntemlerini kanıtladılar.
Şu anda Radikal AI’da Hızlandırıcı Malzeme Keşifinde çalışan Falletta, Doğa İletişimi Makine öğrenimi -özellikli malzeme biliminin sadece anlaşılmaya başlamasına izin verebilir.
Falletta, “Hesaplamalı malzeme keşfi alanı, daha iyi teorilere, daha iyi makine öğrenme modellerine, daha iyi altyapı, daha büyük kümeler, daha hızlı GPU’lar ve daha iyi üretken modellere doğru ilerliyor – her şey bir araya geliyor.” Dedi. “Kesinlikle çok heyecan verici.”
