Ein neues maschinelles Lernmodell zur Charakterisierung von Materialoberflächen

Maschinelles Lernen (ML) ermöglicht die präzise und effiziente Berechnung grundlegender elektronischer Eigenschaften binärer und ternärer Oxidoberflächen, wie Wissenschaftler von Tokyo Tech gezeigt haben. Ihr ML-basiertes Modell könnte auf andere Verbindungen und Eigenschaften erweitert werden. Die Ergebnisse, veröffentlicht in der Zeitschrift der American Chemical Societykönnte bei der Untersuchung von Oberflächeneigenschaften von Materialien sowie bei der Entwicklung funktionaler Materialien helfen.

Das Design und die Entwicklung neuer Materialien mit überlegenen Eigenschaften erfordern eine umfassende Analyse ihrer atomaren und elektronischen Strukturen.

Elektronische Energieparameter wie das Ionisationspotential (IP), die Energie, die erforderlich ist, um ein Elektron aus dem Valenzbandmaximum zu entfernen, und Elektronenaffinität (EA), die Energiemenge, die freigesetzt wird, wenn ein Elektron an das Minimum des Leitungsbandes gebunden wird. offenbaren wichtige Parameter. Informationen über die elektronische Bandstruktur von Oberflächen von Halbleitern, Isolatoren und Dielektrika.

Die genaue Schätzung von IPs und EAs in diesen nichtmetallischen Materialien kann auf ihre Anwendbarkeit als funktionelle Oberflächen und Schnittstellen in lichtempfindlichen Geräten und optoelektronischen Geräten hinweisen.

Darüber hinaus hängen IPs und EAs weitgehend von Oberflächenstrukturen ab, was dem komplexen Verfahren ihrer Quantifizierung eine weitere Dimension verleiht. Bei der herkömmlichen Berechnung von IPs und EAs werden präzise Berechnungen nach dem Prinzip der ersten Prinzipien verwendet, bei denen die Massen- und Flächensysteme getrennt quantifiziert werden. Dieser langwierige Prozess verhindert die Quantifizierung von IPs und EAs für viele Oberflächen und erfordert den Einsatz effizienter Rechenansätze.

Um die allgemeinen Probleme anzugehen, die sich auf die Quantifizierung von IPs und EAs nichtmetallischer Feststoffe auswirken, konzentrierte sich ein Team von Wissenschaftlern des Tokyo Institute of Technology (Tokyo Tech) unter der Leitung von Professor Fumiyasu Oba auf ML.

Professor Oba sagte: „In den letzten Jahren hat ML in der materialwissenschaftlichen Forschung große Aufmerksamkeit erregt. Die Möglichkeit, Materialien auf Basis der ML-Technologie virtuell zu screenen, ist eine sehr effektive Möglichkeit, neue Materialien mit überlegenen Eigenschaften zu erkunden. Darüber hinaus ermöglicht die Fähigkeit, große Datensätze mithilfe präziser theoretischer Berechnungen zu trainieren, eine erfolgreiche Vorhersage wichtiger Oberflächenmerkmale und ihrer funktionalen Auswirkungen.

Die Forscher verwendeten ein künstliches neuronales Netzwerk, um ein Regressionsmodell zu entwickeln, das die flüssige Überlappung von Atompositionen (SOAP) als numerische Eingabe einbezog. Ihr Modell sagte die IPs und EAs von binären Oxidoberflächen anhand von Informationen über die Massenkristallstrukturen und Oberflächenabschlussebenen genau und effizient voraus.

Darüber hinaus könnte das ML-basierte Vorhersagemodell „Lernen übertragen“, ein Szenario, in dem ein für einen bestimmten Zweck entwickeltes Modell so gestaltet werden kann, dass es neuere Datensätze einbezieht und für zusätzliche Aufgaben erneut angewendet wird. Die Wissenschaftler bezogen die Auswirkungen mehrerer Kationen in ihr Modell ein, indem sie „lernbare“ SOAPs entwickelten und die IPs und EAs ternärer Oxide mithilfe von Transferlernen vorhersagten.

Professor Oba kommt zu dem Schluss: „Unser Modell beschränkt sich nicht auf die Vorhersage der Oberflächeneigenschaften von Oxiden, sondern kann auf die Untersuchung anderer Verbindungen und ihrer Eigenschaften ausgeweitet werden.“