Den så kallade kemiska rymden kan kartläggas i större skala än tidigare med hjälp av en ny AI-modell med maskininlärning som tagits fram av en grupp forskare vid Linköpings universitet (LiU) och Cambridge i England. Rönen har publicerats i tidskriften Science Advances.
Den kemiska rymden av okända material och molekyler kan enligt LiU sägas vara lika stor och outforskad som världsrymden. Det finns därför stor anledning att utveckla metoder för att hitta hittills oupptäckta material. I ett samarbete har forskare vid LiU och Cambridge 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.
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.
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 studien, 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 uppges förutsäga 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.
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.
Finansiering
Studien har finansierats av Vetenskapsrådet, Swedish e-Science Research Centre samt the Royal Society and the Winton Programme for the Physics of Sustainability. Studien har använt beräkningsresurser vid Nationellt superdatorcentrum vid Linköpings universitet tillhandahållna av Swedish National Infrastructure for Computing.
Artikeln Rapid discovery of stable materials by coordinate-free coarse graining, Rhys A. Goodall, Abhijith S. Parackal, Felix A. Faber, Rickard Armiento, Alpha A. Lee, publicerades i Science Advances online den 27 juli 2022. DOI: 10.1126/sciadv.abn4117
