التنبؤ بخصائص المواد باستخدام بيانات محدودة

تستخدم طريقة التعلم الآلي الذي تم تطويره بواسطة ISC و UCL باحثين النقل للتنبؤ بخصائص المواد ، ومهد الطريق لأشباه الموصلات المتقدمة وحلول تخزين الطاقة.

في التقدم الكبير لعلوم المواد ، قام الباحثون في المعهد الهندي للعلوم (IISC) ، بالتعاون مع جامعة كلية لندن (UCL) ، بتسخير التعلم الآلي (ML) للتنبؤ بخصائص المواد ذات الحد الأدنى من البيانات.يعد هذا الابتكار بتسريع اكتشاف المواد لتطبيقات مثل أشباه الموصلات وتخزين الطاقة.

تحول مهندسو المواد بشكل متزايد إلى ML للتنبؤ بخصائص مثل فجوات النطاق الإلكترونية ، وطاقات التكوين ، ونقاط القوة الميكانيكية ، مما يتيح تصميم مواد جديدة.ومع ذلك ، فإن البيانات التجريبية المحدودة - نتيجة لتكاليف الاختبار المرتفعة وقيود الوقت - تشكل تحديًا.

تعامل الفريق مع هذه العقبة باستخدام طريقة تسمى Transfer Learning.هذا النهج يدرب مسبقًا نموذجًا على مجموعة بيانات كبيرة ويقوم بتشويهه لمجموعة بيانات أصغر ومحددة.على سبيل المثال ، يمكن تكييف نموذج مدرب على تصنيف القطط وغير القاتم لتصنيف الورم مقابل الأنسجة غير الورمية.

توظف دراستهم الشبكات العصبية الرسم البياني (GNNS) ، وهي بنية متطورة تناسب بيانات الرسم البياني مثل الهياكل البلورية ثلاثية الأبعاد.هنا ، تمثل الذرات العقد ، وتمثل السندات حواف.من خلال تحسين بنية GNN وتدريب بعض الطبقات مع تجميد الآخرين ، بنى الباحثون نموذجًا قادرًا على التنبؤ بخصائص المواد مثل الثوابت العازلة والمعاملات الكهروضوئية.

سمح إطار التدريب قبل الممتلكات المتعددة (MPT) للنموذج بالتعلم من سبع خصائص مواد كبيرة والتنبؤ بنجاح بفجوة النطاق للمواد ثنائية الأبعاد-القدرة غير المدربة بشكل صريح.

هذا يحمل وعدًا للتطبيقات العملية.يستكشف الفريق استخدام النموذج في التنبؤ بحركة أيون في أقطاب البطارية ، وهو أمر بالغ الأهمية لتطوير تخزين الطاقة.بالإضافة إلى ذلك ، يمكن أن يساعد في تصنيع أشباه الموصلات المقاومة للعيوب ، والتي تتماشى مع أهداف إنتاج أشباه الموصلات في الهند.