西北大学 学分:西北大学 西北大学的研究人员开发了一种新的计算方法，以加速金属绝缘体转变材料的设计。金属绝缘体转变是一种罕见的电子材料，有望推动未来更快微电子和量子信息系统的设计和交付。微电子和量子信息系统是物联网设备和大规模数据中心背后的基础技术，为人类工作和与他人互动提供动力
新策略是詹姆斯·朗迪内利教授和陈为教授的合作，综合了统计推断、最优化理论和计算材料物理的技术
该方法将多目标贝叶斯优化与潜变量高斯过程相结合，以优化称为复杂腔隙尖晶石的麻省理工学院材料族的理想特征
当研究人员寻找新材料时，他们通常会寻找类似材料的现有数据已经存在的地方
在现有的工作中，许多种类的材料特性的设计已经通过数据驱动的方法得到了加速，这些方法借助于高通量数据生成以及机器学习等方法
然而，这种方法还不能用于麻省理工学院的材料，根据它们在导电和绝缘状态之间可逆转换的能力来分类
大多数麻省理工学院的模型是为描述单一材料而构建的，这使得模型的生成经常具有挑战性
同时，由于缺乏可用数据，传统的机器学习方法显示出有限的预测能力，使得设计新的麻省理工学院材料变得困难
“研究人员知道如何从存在的大型材料数据集中提取信息，以及何时有合适的特征可用，”材料科学与工程教授朗迪内利说
麦考密克工程学院材料与制造的优秀教授，也是这项研究的相应作者
“但是，当您没有大型数据集或必要的功能时，您会怎么做呢？我们的工作通过构建预测和探索模型打破了这种现状，而不需要大数据集或从小数据集开始的特征
" 11月6日，一篇名为“无特征自适应优化加速功能电子材料设计”的论文发表在《应用物理评论》杂志上
研究小组的方法被称为高级优化引擎(AOE)，通过使用潜在变量高斯过程建模方法，绕过了传统的基于机器学习的发现模型，该方法只需要材料的化学成分来识别它们的最佳性质
这使得基于贝叶斯优化的AOE能够有效地搜索具有最佳带隙(电阻率/电导率)可调性和热稳定性(可合成性)的材料，这是有用材料的两个决定性特征
为了验证他们的方法，该团队使用基于密度函数理论的模拟分析了数百种化学组合，并发现了12种以前未发现的复杂腔隙尖晶石成分，这些成分显示出最佳的功能性和可合成性
众所周知，这些麻省理工学院的材料拥有独特的旋转纹理，这是推动未来物联网和其他资源密集型技术的必要特征
“这一进展克服了基于化学直觉的材料设计所带来的传统限制，”该研究的合著者、威尔逊-库克工程设计教授、机械工程教授兼主席陈说
“通过将功能材料设计重新定义为一个优化问题，我们不仅找到了应对有限数据挑战的解决方案，还展示了为未来电子产品高效发现最佳新材料的能力
" 虽然研究人员在无机材料上测试了他们的方法，但他们认为这种方法也可以应用于有机材料，例如生物材料中蛋白质序列的设计或聚合材料中单体序列的设计
该模型还通过选择理想的候选化合物进行模拟，为做出更好的材料优化设计决策提供了指导
“我们的方法为多种性能的优化和复杂多功能材料的联合设计铺平了道路，在这种情况下，现有的数据和知识是稀疏的，”朗迪内利说
这项研究的工作源于西北大学研究生院赞助的预测科学和工程设计(PSED)跨学科集群项目中的材料发现贝叶斯优化探索项目
它得到了美国国家科学基金会和高级研究项目局——能源差异化项目的资助，该项目寻求使用新兴的人工智能技术来应对主要的能源和环境挑战
“这项工作突出了PSED跨学科设计集群的影响，”陈说
“它还强调了西北大学在人工智能和机器学习的设计和优化方面取得的重要进展
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
