Разработка материалов, обладающих необходимыми свойствами для выполнения определенных функций, является проблемой, с которой сталкиваются исследователи, работающие в различных областях, от катализа до солнечных батарей. Чтобы ускорить процессы разработки, можно использовать подходы к моделированию для прогнозирования информации для уточнения деталей. Исследователи из Института промышленных наук Токийского университета разработали модель машинного обучения для определения характеристик связанных и адсорбированных материалов на основе параметров отдельных компонентов. Их результаты опубликованы в Applied Physics Express.
Такие факторы, как длина и прочность связей в материалах, играют решающую роль в определении структур и свойств, которые мы испытываем в макроскопическом масштабе. Поэтому возможность легко предсказать эти характеристики очень важна при разработке новых материалов.
Исследователи использовали подход машинного обучения, при котором модель уточняет свою реакцию без вмешательства человека, чтобы предсказать четыре различных свойства продуктов на основе информации DOS отдельных компонентов. Хотя DOS и раньше использовался в качестве дескриптора для установки отдельных параметров, это первый случай, когда было предсказано несколько различных свойств.
«Мы смогли количественно предсказать энергию связи, длину связи, количество ковалентных электронов и энергию Ферми после связывания для трех различных общих типов систем», — объясняет первый автор исследования Эйки Судзуки. «И наши прогнозы были очень точными по всем объектам».
Поскольку расчет DOS изолированного состояния менее сложен, чем для связанных систем, анализ относительно эффективен. Кроме того, использованная модель нейронной сети показала хорошие результаты даже тогда, когда для обучения использовалось только 20% набора данных.
«Существенным преимуществом нашей модели является то, что она носит общий характер и может применяться к широкому кругу систем», — объясняет автор исследования Теруясу Мидзогути. «Мы считаем, что наши открытия могут внести значительный вклад в многочисленные процессы разработки, например, в области катализа, и могут быть особенно полезны в новых областях исследований, таких как нанокластеры и нанопроволоки».
Источник — Газета Daily.