莱斯大学 莱斯大学的研究人员使用辐射损伤六方氮化硼的微观结构模型来帮助他们研究模拟二维材料的深度学习技术的好处，以了解它们的特性
学分:帕拉巴斯大学/莱斯大学 科学家们正在快速发现新的二维材料，但他们并不总是立即知道这些材料能做什么
莱斯大学布朗工程学院的研究人员说，他们可以通过向“深度学习”代理提供结构的基本细节来快速找到答案，这些代理有能力绘制材料的属性
更好的是，代理可以快速模拟科学家正在考虑制作的材料，以促进二维材料的“自下而上”设计
土木与环境工程助理教授鲁兹贝·沙赫萨瓦里和莱斯大学研究生帕拉巴斯·洪迪探索了神经网络和多层感知器的能力，这些神经网络和多层感知器从二维材料的模拟结构中获取最少的数据，即使在它们被辐射和高温损坏后，也能对它们的物理特性(如强度)做出“相当准确”的预测
沙沙瓦里说，一旦经过训练，这些代理人就可以用他们结构数据的10%来分析新的二维材料
他说，这将返回对材料强度的分析，准确率约为95%
“这表明转移学习(在一种材料上训练的深度学习算法可以应用到另一种材料上)是材料发现和表征方法中潜在的游戏规则改变者，”研究人员建议道
他们对石墨烯和六方氮化硼的广泛测试结果发表在《小》杂志上
自2004年发现石墨烯以来，原子厚度的材料因其强度和复合材料及电子器件的电子特性范围而备受吹捧
因为它们的原子排列对它们的性质有很大的影响，研究人员经常使用分子动力学模拟来分析新的二维材料的结构，甚至在试图制造它们之前
莱斯大学的研究生帕拉巴斯·洪迪(左)和土木与环境工程助理教授鲁茨贝·沙赫萨瓦里正在使用深度学习技术来加速新型二维材料的模拟，以了解它们的特性以及它们是如何受到高温和辐射影响的
学分:杰夫·菲特洛/莱斯大学 沙沙瓦里说，深度学习比传统的二维材料及其特性模拟提供了显著的速度提升，使得现在需要数天的超级计算机时间才能在数小时内运行的计算成为可能
“因为我们可以用石墨烯或氮化硼分子动力学模拟的一小部分数据来构建我们的结构-性质图，所以我们看到获得材料完整行为的计算时间减少了一个数量级，”他说
沙沙瓦里说，实验室决定研究石墨烯和六方氮化硼，因为它们在高温和高辐射环境下具有很高的抗退化能力，是航天器和核电站材料的重要特性
因为沙沙瓦里小组已经为另一篇关于二维材料的论文进行了11000多次辐射级联损伤分子动力学模拟，他们有动力看看是否能以更快的方法复制他们的结果
他们对六方氮化硼的80种辐射和温度组合以及石墨的48种组合进行了数千次“深度学习”模拟，用31种随机剂量的模拟辐射击中每种组合
对于一些人来说，研究人员用他们分子动力学研究中最多45%的数据来训练深度学习代理，在预测缺陷及其对材料特性的影响方面达到高达97%的准确性
他们发现，让受过训练的代理适应不同的材料，只需要大约10%的模拟数据，大大加快了过程，同时保持了良好的准确性
“我们试图找出暴露在极端条件下后材料的相应剩余强度，以及所有缺陷，”他说
“正如所料，当平均温度或辐射过高时，剩余强度变得相当低
但是这种趋势并不总是明显的
" 他说，在某些情况下，更高的辐射和更高的温度结合在一起使材料更坚固而不是更不坚固，这将有助于研究人员在制造物理产品之前了解这一点
沙沙瓦里说:“我们在结构属性图开发上的深度学习方法可以打开一个新的框架，来理解二维材料的行为，发现它们非直观的共性和异常，并最终为定制的应用程序更好地设计它们。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
