Hong Kong Bilim ve Teknoloji Üniversitesi (HKUST) ve Tongji Üniversitesi’nden araştırmacılar, ferroelektrik malzemeler için faz diyagramlarını yalnızca 20 saniyede üretebilen bir derin öğrenme modeli olan FerroAI’yi geliştirdi.
Ekip, FerroAI’yi kullanarak, yapay zeka destekli ferroelektrik malzeme araştırmalarında önemli bir ilerlemeyi temsil eden, 11.051 gibi olağanüstü yüksek dielektrik sabitine sahip yeni bir ferroelektrik malzeme keşfetti. Bulguları dergide yayınlandı npj Hesaplamalı Malzemelerfonksiyonel malzemelerin tasarımını ve keşfini hızlandırmak için yenilikçi bir yaklaşım sunuyor.
“FerroAI: ferroelektrik malzemelerin faz diyagramlarını tahmin etmek için derin bir öğrenme modeli” başlıklı bu çalışma, HKUST Mekanik ve Havacılık ve Uzay Mühendisliği Bölümü Doçenti Prof. Sherry Chen Xian (ortak yazar) ve Fizik Bilimi ve Mühendisliği Okulu ve MOE Gelişmiş Mikro Yapılı Malzemeler Anahtar Laboratuvarı Araştırmacısı Dr. Zhang Chenbo (ilk yazar ve ortak yazar), tarafından ortaklaşa yürütüldü. Tongji Üniversitesi ve 2019 Doktora Derecesi. HKBTÜ mezunu.
Ferroelektrik malzemeler, ayırt edici elektriksel özelliklerinden dolayı sensörlerde, hafıza cihazlarında ve enerji toplama uygulamalarında yaygın olarak kullanılmaktadır. Performansları, evrimi tipik olarak bileşim-sıcaklık faz diyagramlarıyla karakterize edilen kristal yapılara kritik derecede bağlıdır.
Bu diyagramları oluşturmaya yönelik geleneksel yaklaşımlar, çok sayıda numunenin sentezini ve ardından kapsamlı deneysel testleri ve hesaplamalı analizleri gerektirir. Böyle bir süreç genellikle ayları veya yılları kapsar. Faz diyagramı yapımı ve malzeme tahmini için daha etkili stratejiler, ferroelektrik camiasındaki temel araştırmaların temelini oluşturur.
Önceki makine öğrenimi yaklaşımları, belirli malzeme sistemleri için faz geçişlerini tahmin edebiliyordu ancak çeşitli malzeme ailelerindeki gizli özellikleri doğru bir şekilde yakalamak için yeterli genelleme yeteneğinden yoksundu. Bu sınırlamayı gidermek için araştırma ekibi, binlerce ferroelektrik sistemi kapsayan kapsamlı bir faz dönüşümü veritabanı oluşturmak için 40.000’den fazla yayınlanmış makaleden veri çıkardı. Ekip, gelişmiş veri artırma teknikleri ve akıllı parametre optimizasyon stratejileri aracılığıyla FerroAI derin öğrenme modelini geliştirdi ve eğitti.
Deneysel doğrulama, FerroAI’nin, belirli kafes bölgelerindeki çeşitli katkı elemanlarının kritik rolleri hakkında bilgi sağlarken birden fazla kristal yapıda %80’in üzerinde tahmin doğruluğu elde ettiğini gösterdi. Dikkat çekici bir şekilde, geleneksel olarak aylarca malzeme geliştirme çalışması gerektiren görevler artık yapay zeka tarafından yalnızca 20 saniyede tamamlanabiliyor.
Prof. Chen şunları söyledi: “Bu çalışma, yüksek kaliteli veri kümelerinin önemini ortaya koyuyor. Ayrıca, faz diyagramı tahmininin başarısı, malzeme biliminin araştırma paradigmasının, yeni fonksiyonel malzemelerin hızla keşfedilmesini destekleyen yapay zeka tarafından yeniden şekillendirildiğini gösteriyor.”
Bu başarı, ekibin akıllı malzemeler alanında önemli ilerlemesini temsil ediyor. İlk defa, malzeme sistemleri arasında faz geçişi tahmini ve deneysel doğrulamanın sıkı bir entegrasyonu sağlandı. Bu, yapay zekanın hem temel bilimi hem de uygulamalı araştırmayı hızlandırmadaki büyük potansiyelini ortaya koyuyor.
