97889 64456 72312 47532 85224 72311 99738 05314 18822 88877 83701 91188 72106 98803 83485 70762 67561 00923 55229 06479 57972 59061 74949 93171 14807 03728 86417 14924 55271 76483 09709 80826 48003 69756 41326 33857 90179 16007 50123 74390 32549 30315 44217 63317 75601 80709 41762 62320 18455 61834 28274 17965 11564 40730 97515 38882 00045 18375 34435 87730 65633 86354 42635 03181 37624 00288 29224 98754 64198 42645 13159 80277 57942 84214 09885 11406 37363 27238 16160 82824 82750 03902 45252 98749 86602 85405 74120 11069 70749 63642 54482 33973 81058 25338 11638 53184 38067 75862 58160 05931 81160 94118 63131 11678 37627 13358 15577 41533 20376 02073 54475 97260 40548 91470 84971 47067 00960 20371 54295 32383 70544 08125 72446 96640 07075 16165 30869 08344 20223 85830 11652 84248 58240 18720 83640 74865 63798 26432 11368 91553 98930 40390 63732 07578 52004 83379 91665 87295 27594 70342 33614 00445 56766 74846 32119 67664 51801 34739 44392 32414 80290 43295 50949 32938 59188 82226 64963 12065 07486 96473 17151 41690 05059 80565 72757 89563 68610 87113 78719 74762 26213 13426 23716 54025 70952 73308 30338 98371 80443 39662 15506 33308 53719 47268 57523 71539 98084 43052 68615 92226 35372 86296 82533 08533 12606 77475 19780 50069 42332 94775 84463 97795 86712 89454 36026 27730 87899 25252 69813 38682 Ein neues maschinelles Lernmodell zur Charakterisierung von Materialoberflächen – MJRBJC
Ein neues maschinelles Lernmodell zur Charakterisierung von Materialoberflächen

Kredit: Zeitschrift der American Chemical Society (2024). DOI: 10.1021/jacs.3c13574

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.“

Mehr Informationen:
Shin Kiyohara et al., Ausrichtung von Oxidbändern durch ein neuronales Netzwerk, unterstützt durch Strukturdeskriptor- und Transferlernen, Zeitschrift der American Chemical Society (2024). DOI: 10.1021/jacs.3c13574

Bereitgestellt vom Tokyo Institute of Technology

Zitat: Ein neues maschinelles Lernmodell zur Charakterisierung von Materialoberflächen (12. April 2024), abgerufen am 12. April 2024 von https://phys.org/news/2024-04-machine-characterisation-material-surfaces.html

Dieses Dokument unterliegt dem Urheberrecht. Mit Ausnahme der fairen Nutzung für private Studien- oder Forschungszwecke darf kein Teil ohne schriftliche Genehmigung reproduziert werden. Der Inhalt dient lediglich der Information.

By rb8jg

Leave a Reply

Your email address will not be published. Required fields are marked *

Failed to fetch data from the URL.