‘Deep learning’ tạo ra mạng lưới rộng cho các tài liệu 2D mới lạ

Các nhà khoa học đang khám phá những vật liệu hai chiều mới với tốc độ chóng mặt, nhưng họ luôn không biết ngay những vật liệu đó có thể làm gì.

Các nhà nghiên cứu tại Trường Kỹ thuật Brown của Đại học Rice cho biết họ có thể tìm ra nhanh bằng cách cung cấp các chi tiết cơ bản về cấu trúc của mình cho các tác nhân “Deep learning (học sâu)” có khả năng lập bản đồ các tính chất của vật liệu. Tốt hơn nữa, các tác nhân có thể nhanh chóng mô hình hóa các vật liệu mà các nhà khoa học đang nghĩ về việc chế tạo để tạo điều kiện thuận lợi cho thiết kế vật liệu 2D “từ dưới lên”.

Rouzbeh Shahsavari, trợ lý giáo sư kỹ thuật dân dụng và môi trường, và sinh viên tốt nghiệp Rice, ông Bohhas Hundi đã khám phá khả năng của mạng lưới thần kinh với tri giác đa lớp lấy dữ liệu tối thiểu từ các cấu trúc mô phỏng của vật liệu 2D và đưa ra dự đoán “chính xác” về các đặc điểm vật lý của chúng, như sức mạnh, ngay cả sau khi chúng bị hư hại bởi bức xạ và nhiệt độ cao.

Sau khi được đào tạo, Shahsavari cho biết, các tác nhân này có thể được điều chỉnh để phân tích các vật liệu 2D mới với ít nhất 10% dữ liệu cấu trúc của chúng. Điều đó sẽ trả lại một phân tích về sức mạnh của vật liệu với độ chính xác khoảng 95 phần trăm, ông nói.

“Điều này cho thấy rằng học chuyển (trong đó một thuật toán Deep learning được đào tạo trên một tài liệu có thể được áp dụng cho một tài liệu khác) là một yếu tố thay đổi trò chơi tiềm năng trong phương pháp tiếp cận khám phá và mô tả vật liệu”, các nhà nghiên cứu đề xuất.

Kết quả của các thử nghiệm rộng rãi của họ về graphene và boron nitride lục giác xuất hiện trên tạp chí Small .

Kể từ khi phát hiện ra graphene vào năm 2004, các vật liệu dày nguyên tử đã được quảng cáo về sức mạnh và phạm vi tính chất điện tử của vật liệu tổng hợp và điện tử. Do sự sắp xếp nguyên tử của chúng có tác động đáng kể đến tính chất của chúng, các nhà nghiên cứu thường sử dụng mô phỏng động lực phân tử để phân tích cấu trúc của vật liệu 2D mới ngay cả trước khi thử chế tạo chúng.

Shahsavari cho biết Deep learning giúp tăng tốc độ đáng kể so với các mô phỏng vật liệu 2D truyền thống như vậy và các đặc tính của chúng, cho phép các tính toán hiện mất nhiều ngày thời gian siêu máy tính để chạy hàng giờ.

“Bởi vì chúng tôi có thể xây dựng các bản đồ thuộc tính cấu trúc của mình chỉ bằng một phần dữ liệu từ mô phỏng động lực học phân tử graphene hoặc boron nitride, chúng tôi thấy một trật tự thời gian tính toán ít hơn để có được hành vi đầy đủ của vật liệu”, ông nói.

Shahsavari cho biết phòng thí nghiệm đã quyết định nghiên cứu graphene và boron nitride hình lục giác để có khả năng chịu suy giảm cao dưới nhiệt độ cao và trong môi trường giàu phóng xạ, các tính chất quan trọng đối với vật liệu trong tàu vũ trụ và nhà máy điện hạt nhân. Bởi vì nhóm Shahsavari đã thực hiện hơn 11.000 mô phỏng động lực phân tử phá hủy tầng bức xạ cho một bài báo khác trên vật liệu 2D, họ đã khuyến khích xem liệu họ có thể tái tạo kết quả của mình bằng phương pháp nhanh hơn nhiều không.

Họ đã thực hiện hàng ngàn mô phỏng “Deep learning” trên 80 tổ hợp bức xạ và nhiệt độ đối với boron nitride lục giác cùng 48 kết hợp cho graphene, đánh vào mỗi tổ hợp với 31 liều phóng xạ mô phỏng ngẫu nhiên. Đối với một số người, các nhà nghiên cứu đã đào tạo tác nhân Deep learning với tối đa 45 phần trăm dữ liệu từ nghiên cứu động lực học phân tử của họ, đạt được độ chính xác tới 97 phần trăm trong việc dự đoán các khiếm khuyết và ảnh hưởng của chúng đối với các đặc tính của vật liệu.

Họ đã điều chỉnh các tác nhân được đào tạo với các vật liệu khác nhau, chỉ cần khoảng 10% dữ liệu mô phỏng, giúp tăng tốc quá trình trong khi vẫn giữ được độ chính xác tốt.

“Chúng tôi đã cố gắng tìm ra các thế mạnh còn lại tương ứng của các vật liệu sau khi tiếp xúc với các điều kiện khắc nghiệt, cùng với tất cả các thiếu sót,” ông nói. “Đúng như dự đoán, khi nhiệt độ trung bình hoặc bức xạ quá cao, cường độ còn lại trở nên khá thấp. Nhưng xu hướng đó không phải lúc nào cũng rõ ràng.”

Trong một số trường hợp, ông nói, bức xạ kết hợp cao hơn và nhiệt độ cao hơn làm cho vật liệu mạnh hơn thay vì ít hơn và nó sẽ giúp các nhà nghiên cứu biết điều đó trước khi tạo ra một sản phẩm vật lý.

“Phương pháp Deep learning của chúng tôi về phát triển bản đồ thuộc tính cấu trúc có thể mở ra một khuôn khổ mới để hiểu hành vi của vật liệu 2D, khám phá những điểm tương đồng và dị thường không trực quan của chúng, và cuối cùng thiết kế chúng tốt hơn cho các ứng dụng phù hợp”, Shahsavari nói.

Nguồn tin tức:

Tài liệu được cung cấp bởi Đại học Rice . Bản gốc được viết bởi Mike Williams. Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.

Tạp chí tham khảo :

1. Mitchhas Hundi, Rouzbeh Shahsavari. Học sâu để tăng tốc độ phát triển cấu trúc Quan hệ tài sản của đối với Boron Nitride và Graphene lục giác . Nhỏ , 2019; 1900656 DOI: 10.1002 / smll.201900656