Ai Materials Science Concept 2
Thông tin công nghệ

AI dự đoán chính xác các thuộc tính vật chất để phá vỡ một bức tường không thể vượt qua trước đây

AI Materials Science Concept

Nếu các đặc tính của vật liệu có thể được dự đoán một cách đáng tin cậy, thì quá trình phát triển các sản phẩm mới cho một loạt các ngành công nghiệp có thể được sắp xếp hợp lý và tăng tốc. Trong một nghiên cứu được công bố trên Advanced Intelligent Systems , các nhà nghiên cứu từ Viện Khoa học Công nghiệp Đại học Tokyo đã sử dụng quang phổ suy hao lõi để xác định các đặc tính của các phân tử hữu cơ bằng cách sử dụng máy học.

Các kỹ thuật quang phổ mất năng lượng cấu trúc gần cạnh (ELNES) và cấu trúc gần cạnh tia X (XANES) được sử dụng để xác định thông tin về các điện tử và thông qua đó là các nguyên tử trong vật liệu. Chúng có độ nhạy cao và độ phân giải cao và đã được sử dụng để khảo sát nhiều loại vật liệu từ thiết bị điện tử đến hệ thống phân phối thuốc.

Tuy nhiên, việc kết nối dữ liệu quang phổ với các đặc tính của vật liệu — những thứ như đặc tính quang học, độ dẫn điện tử, mật độ và độ ổn định — vẫn còn mơ hồ. Các phương pháp tiếp cận máy học (ML) đã được sử dụng để trích xuất thông tin cho các bộ dữ liệu phức tạp lớn. Những cách tiếp cận như vậy sử dụng mạng nơ-ron nhân tạo, dựa trên cách bộ não của chúng ta hoạt động, để không ngừng học hỏi để giải quyết vấn đề. Mặc dù trước đây nhóm đã sử dụng quang phổ ELNES / XANES và ML để tìm hiểu thông tin về vật liệu, nhưng những gì họ tìm thấy không liên quan đến các đặc tính của bản thân vật liệu. Do đó, thông tin không thể dễ dàng chuyển thành các diễn biến.

Các nhà nghiên cứu từ Viện Khoa học Công nghiệp Đại học Tokyo sử dụng phương pháp học máy để dự đoán thành công các đặc tính vật liệu chưa từng được xác định trước đây. Nhà cung cấp hình ảnh: Viện Khoa học Công nghiệp, Đại học Tokyo

Giờ đây, nhóm nghiên cứu đã sử dụng ML để tiết lộ thông tin ẩn trong phổ ELNES / XANES mô phỏng của 22.155 phân tử hữu cơ. Tác giả chính Kakeru Kikumasa giải thích: “Phổ ELNES / XANES của các phân tử, hoặc“ bộ mô tả ”của chúng trong kịch bản này, được đưa vào hệ thống. “Bộ mô tả này là thứ có thể được đo trực tiếp trong các thí nghiệm và do đó có thể được xác định với độ nhạy và độ phân giải cao. Phương pháp này rất có lợi cho việc phát triển vật liệu vì nó có khả năng tiết lộ các thuộc tính vật liệu nhất định phát sinh ở đâu, khi nào và như thế nào. ”

Một mô hình được tạo ra từ chỉ riêng quang phổ đã có thể dự đoán thành công những gì được gọi là đặc tính chuyên sâu. Tuy nhiên, nó không thể dự đoán các tính chất mở rộng, phụ thuộc vào kích thước phân tử. Do đó, để cải thiện dự đoán, mô hình mới đã được xây dựng bằng cách bao gồm tỷ lệ của ba nguyên tố liên quan đến carbon (có trong tất cả các phân tử hữu cơ) như là các tham số phụ để cho phép dự đoán chính xác các đặc tính rộng rãi như trọng lượng phân tử.

“Phương pháp điều trị học ML của chúng tôi đối với quang phổ mất mát lõi cung cấp dự đoán chính xác về các thuộc tính vật chất rộng rãi, chẳng hạn như năng lượng bên trong và trọng lượng phân tử. Mối liên hệ giữa phổ suy hao lõi và các đặc tính mở rộng trước đây chưa từng được tạo ra; tuy nhiên, trí tuệ nhân tạo đã có thể tiết lộ các kết nối ẩn. Phương pháp tiếp cận của chúng tôi cũng có thể được áp dụng để dự đoán các đặc tính của vật liệu và chức năng mới ”, tác giả cấp cao Teruyasu Mizoguchi cho biết. “Chúng tôi tin rằng mô hình của chúng tôi sẽ là một công cụ rất hữu ích cho việc phát triển vật liệu có năng suất cao trong nhiều ngành công nghiệp”.

Tham khảo: “Định lượng các thuộc tính của phân tử hữu cơ bằng cách sử dụng phổ suy hao lõi làm bộ mô tả mạng thần kinh” ngày 15 tháng 10 năm 2021, Hệ thống thông minh nâng cao .
DOI: 10.1002 / aisy.202100103

Theo Scitechdaily

What's your reaction?

Excited
0
Happy
0
In Love
0
Not Sure
0

You may also like

Leave a reply

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Website này sử dụng Akismet để hạn chế spam. Tìm hiểu bình luận của bạn được duyệt như thế nào.