En AI-modell kan underlätta sökandet efter hittills oupptäckta material, ett arbete som normalt är både kostsamt och tidskrävande. Det förenklar utvecklingen av nya material till exempelvis batterier och solceller.
Den så kallade kemiska rymden av okända material och molekyler kan sägas vara lika stor och outforskad som världsrymden. Det finns därför stor anledning att utveckla metoder för att hitta hittills oupptäckta material. Forskare har tagit fram en maskininlärningsmetod som kan kartlägga den kemiska rymden i en mycket större skala än tidigare.
AI-modellen beskriver material utifrån symmetrin mellan platserna som atomerna sitter på vilket gör det lättare att utforska olika intressanta möjligheter.
– Vi har tränat modellen på över 300 000 material och har fått den att föreslå tidigare okända material där atomerna placerats ut på nya symmetriska sätt, säger Rickard Armiento, docent i fysikalisk modellering och forskningsledare vid enheten för materialdesign och informatik vid Linköpings universitet.
Lättare utveckla nya material
Med hjälp av den nya metoden kan nya kombinationer av ämnen i nya kristallstrukturer förutsägas av AI i stället för att tas fram i labb och då blir vägen kortare till design och utveckling av material. Forskare kan därmed mycket snabbare ta fram förslag på nya material för till exempel utveckling av batterier och solceller.
– Om vi ser på materialupptäckter som jakten på en nål i en höstack så gör vår modell så att vi minskar andelen hö dramatiskt innan vi inleder vår jakt, säger Rhys Goodall, doktorand vid Cavendishlaboratoriet på universitetet i Cambridge.
Kan avgöra stabilitet
Att söka efter kombinationer av ämnen som ger stabila material är grundläggande för materialvetenskapen liksom att förstå hur strukturen för materialen är uppbyggd. Att avgöra om ett material är stabilt innebär ett omfattande beräkningsarbete. Med modellen som har konstruerats i denna studie, som lär av mönster i kända material och förutsäger om nya kombinationer kan bli stabila, blir detta beräkningsarbete mycket effektivare.
– Vi visar hur vi med vår modell kan screena potentiella material och fokusera våra beräkningar och experiment på dem som har störst potential, säger Rhys Goodall.
Metoden förutsäger strukturen för material som ser lovande ut för utveckling av material för till exempel piezoelektricitet* och energiutvinning med fem gånger högre effektivitet än tidigare metoder.
*Piezoelektricitet är en egenskap hos vissa kristaller att när de deformeras omvandlas det mekaniska arbetet till elektricitet och även det omvända: elektricitet omvandlas till mekaniskt arbete. Källa: Wikipedia
Tidigare metoder dyra och tidskrävande
Felix Andreas Faber är postdoktor vid Cambridge och han menar att nuvarande simuleringar för att räkna ut stabiliteten hos kristallstrukturer är för tidskrävande och för dyra.
– Den kemiska rymden där icke-organiska fasta material kan existera är så stor att det är omöjligt att undersöka ens en fraktion av den. Men vår modell överkommer många av de hindren, säger Felix Andreas Faber.
Forskarna använder nu den nya modellen i jakten på nya funktionella material*. På avdelningen för teoretisk fysik vid Linköpings universitet pågår flera forskningsprojekt där metoderna potentiellt kan komma att användas i till exempel utveckling av material för hårda ytbeläggningar och sätt att förändra halvledarmaterial för användning inom bland annat kvantinformation.
*Funktionella material är material som är gjorda för att åstadkomma specifika mekaniska, elektroniska, fotoniska, kemiska eller biologiska funktioner. Källa: Karlstads universitet
Vetenskaplig artikel:
Rapid discovery of stable materials by coordinate-free coarse graining .
Kontakt:
Rickard Armiento, universitetslektor, rickard.armiento@liu.se
