Neue, auf maschinellem Lernen basierende Clusteranalysemethode, die Zielmaterialeigenschaften ausnutzt

In der Materialwissenschaft werden Stoffe häufig anhand bestimmender Faktoren wie ihrer Elementzusammensetzung oder Kristallstruktur klassifiziert. Diese Klassifizierung ist für Fortschritte in der Materialentdeckung von entscheidender Bedeutung, da sie es Forschern ermöglicht, vielversprechende Materialklassen zu identifizieren und neue mit ähnlichen Funktionen und Eigenschaften zu erforschen.

Ein kürzlich Fortschrittliche intelligente Systeme Eine vom Forscher Nobuya Sato und Assistenzprofessor Akira Takahashi vom Tokyo Institute of Technology geleitete Studie hat eine neue Clustering-Technik entwickelt, die auf maschinellem Lernen basiert. Diese Technik ermöglicht die Gruppierung ähnlicher Materialien unter Berücksichtigung sowohl ihrer grundlegenden Eigenschaften als auch ihrer Zieleigenschaften.

Fortschritte im maschinellen Lernen haben den Klassifizierungsprozess wesentlich weniger langwierig gemacht und auch den Weg für effiziente Methoden zur Vorhersage von Materialien mit interessanten Eigenschaften basierend auf grundlegenden Merkmalen chemischer Zusammensetzungen und Kristallstrukturen geebnet. Die Clusteranalyse, eine häufig verwendete Technik des maschinellen Lernens, nutzt diese grundlegenden Merkmale nicht nur, um Materialien zu klassifizieren und die Ähnlichkeiten zwischen ihnen zusammenzufassen, sondern auch, um Informationen über die Beziehungen zwischen Materialien derselben Gruppe bereitzustellen.

Während dies einen erheblichen Fortschritt bei der Entdeckung neuer Materialien mit einzigartigen Funktionalitäten darstellt, berücksichtigen herkömmliche Clustering-Techniken häufig nicht die Eigenschaften des Zielmaterials, wie etwa Bandlücken und Dielektrizitätskonstanten, die mit diesen grundlegenden Eigenschaften zusammenhängen.

Aber warum ist es wichtig, Zieleigenschaften in die Materialclusteranalyse einzubeziehen?

Takahashi erklärt: „Wenn wir versuchen, Halbleiter anhand der Bandlückenbreite zu klassifizieren und die chemischen Eigenschaften der jeweiligen Kategorien zu untersuchen, würde eine Analyse nur mit der Zieleigenschaft kein vollständiges Bild liefern.“ Durch die Gruppierung nach Bandlücken können Materialien in eine Gruppe gruppiert werden, in der einige Lücken durch die Elektronegativität bestimmt werden, während andere durch kovalenzbezogene Eigenschaften bestimmt werden.

„Umgekehrt können Materialien, die ähnliche Eigenschaften aufweisen, möglicherweise nicht gruppiert werden, wenn nur grundlegende Eigenschaften verwendet werden. Wir brauchen daher einen Ansatz, der den Zusammenhang zwischen Grundmerkmalen und Zieleigenschaften berücksichtigt. »

Um die gleichzeitige Einbeziehung von Basismerkmalen und Zieleigenschaften sicherzustellen, haben die Forscher die letztgenannten Informationen durch Random Forest (RF)-Regression in das Clustering-Modell eingespeist, einen überwachten Lernalgorithmus, der die Beziehung zwischen Eingaben und Ausgaben lernt, um sie zu verbessern. Die Forscher trainierten das RF-Regressionsmodell, um eine bestimmte Zieleigenschaft vorherzusagen.

Anschließend wurden die Grundmerkmale in Z-Vektoren umgewandelt, d. h. Informationen basierend auf den vom RF-Modell eingeschlagenen Pfaden. Abschließend wurde eine Clusteranalyse der transformierten z-Vektoren durchgeführt.

Dadurch konnten Forscher mehr als 1.000 Oxide anhand ihrer grundlegenden Eigenschaften wie Zusammensetzung und Kristallstruktur sowie Zieleigenschaften wie Bildungsenergie, Bandlücke und elektronische Dielektrizitätskonstante in Materialgruppen einteilen. Obwohl sich diese Studie nur auf Fälle einzelner Zieleigenschaften konzentrierte, schlagen die Forscher vor, dass diese neue Technik auf die Gruppierung von Materialien basierend auf mehreren Zieleigenschaften ausgeweitet werden könnte.

„Unsere Methode bietet eine einzigartige Perspektive für die Clusterbildung, die sich auf das Verständnis und Lernen der Beziehung zwischen der Zieleigenschaft und den Kernmerkmalen konzentriert, wodurch eine Gruppe unerwartet vielversprechender Materialien und ein Schlüsselfaktor für die wünschenswerte Materialfunktion bereitgestellt und die Entdeckung neuer Materialien beschleunigt wird.“ faszinierende Eigenschaften“, schloss Takahashi.