新機器學習可以預測材料應變時性能的變化

據(jù) Nanowerk News 2 月 12 日報道，來自新加坡南洋理工大學、美國麻省理工學院和俄羅斯斯科爾科沃理工學院的研究人員相互合作，開發(fā)了一種機器學習算法，這種算法可以預測材料應變時性能的變化。

這項工作可能會為工程新材料帶來極大的潛力，新材料可能會因此具有量身定制的特性，在通信、信息處理和能源領域擁有廣闊前景。

這篇論文發(fā)表在 Proceedings of the National Academy of Sciences 雜志上，題為“通過機器學習研究帶隙彈性應變的方法”（Deep elastic strain engineering of bandgap through machine learning），論文中作者演示了如何利用人工智能來確認最節(jié)能的應變路徑，從而將金剛石轉(zhuǎn)化為更高效的半導體。

圖丨利用機器學習來設計和改變材料的特性，例如調(diào)整硅和金剛石的帶隙以獲得更高的處理速度（來源：南洋理工大學）

當半導體材料發(fā)生彎曲或應變時，結(jié)構(gòu)中的原子會受到擾動，從而改變自身的特性，如導電、發(fā)熱或透光等都會發(fā)生變化，這個過程被稱為“應變工程”。

傳統(tǒng)上，對于應變工程效應的研究方法依賴于材料試驗和誤差實驗以及有限元計算機建模。

作為這項工作的前奏，去年，南洋理工大學和 MIT 的作者在Science雜志上報道說，鉆石納米針可以彎曲和拉伸到 9%，這項結(jié)果令人驚訝，因為鉆石是已知的最硬的天然材料。

在早期的工業(yè)應用研究中，“應變工程”經(jīng)常被用于硅處理器芯片，其中 1% 的應變可以使電子移動的更快，從而使處理速度提高了 50%。

Subra Suresh 教授，是南洋理工大學的校長，同時也是這項研究的第一作者，他這么說到，我們的新方法使用機器學習來預測應變對材料性能的影響，這使得在六維應變空間中，對材料應變無限組合的計算成為可能。

“現(xiàn)在我們有了這個相當精確的方法，大大降低了計算的復雜性，”麻省理工學院工程系主任 Suresh 教授說，“材料物理、人工智能、計算和機器學習等領域看似毫不相干，但我們一定程度上將它們結(jié)合到了一起，這對工業(yè)應用中的科學知識具有重大影響。”

麻省理工學院核科學與工程以及材料科學與工程教授 Ju Li 解釋說，雖然傳統(tǒng)改變半導體的方法，如化學摻雜（在材料中添加一種新元素）會永久地影響和改變材料性能，但這時我們所考慮的非線性彈性應變是可逆的，這意味著它可以根據(jù)不同的應用場景進行調(diào)整。

然而，因為存在各種各樣的可能性，因此識別和應用應變工程材料的全部潛力是非常困難的。應變可以用六種不同獨立方式中的任何一種施加（在三個不同的維度中，每一個維度都可以產(chǎn)生進出或側(cè)向的應變），并且具有近乎無限的梯度，因此，僅僅通過試驗和錯誤來探索是不切實際的。

“如果想繪制出整個彈性應變空間，很快就會增長到 1 億次計算，”材料科學和工程的 Li 教授說。

在這項研究中，研究小組研究了應變對帶隙的影響，帶隙是硅和金剛石半導體中的一個關鍵電子特性。利用神經(jīng)網(wǎng)絡算法，他們高精度地預測了不同的應變量和方向?qū)兜挠绊憽?/p>

調(diào)整帶隙可以提高半導體材料（如硅太陽能電池）的效率，增加光能的利用，同時使材料變薄 1000 倍，從而降低材料、運輸和基礎設施所需的成本。

金剛石作為一種具有優(yōu)良內(nèi)在特性的半導體材料顯示出巨大的潛力，非常適于衛(wèi)星通信中的高頻無線電設備，以及移動網(wǎng)絡和電力電子設備。

這項工作由一個多學科的研究團隊承擔，包括來自南洋理工大學的 Subra Suresh 教授、麻省理工學院首席研究科學家、南洋理工大學客座教授 Dr Mingdao 以及麻省理工學院的研究生 Zhe Sh ifrom；以及來自俄羅斯斯科爾科沃理工學院的 Evgeni tsymbalov 和 Alexander shapeev。

除了帶隙外，它們的方法還可以用來研究和預測材料的其他特性，如電子、光子和磁特性。

這項工作為電子、光電和光子器件領域創(chuàng)造新材料帶來了潛在的契機，這些材料將來可用于通信、信息處理和能源應用。