Αλγόριθμοι μηχανικής μάθησης μπορούν να επιταχύνουν την ανακάλυψη νέων μαγνητικών υλικών

Οι τεχνολογίες αποθήκευσης δεδομένων εξαρτώνται από υλικά που διατηρούν τις μαγνητικές ιδιότητες σε υψηλή θερμοκρασία. Ενώ οι ερευνητές έχουν μια γκάμα τέτοιων υλικών για να εργαστούν με αυτά, η θεωρία υποστηρίζει όμως ότι οι γνωστές επιλογές είναι ένα μικρό κλάσμα των μαγνητών υψηλής θερμοκρασίας που είναι δυνατόν να υπάρξουν. Για να επιταχύνουν την ανακάλυψη και το σχεδιασμό νέων μαγνητών υψηλής θερμοκρασίας, οι James Nelson και Stefano Sanvito του Trinity College στην Ιρλανδία έχουν αναπτύξει διάφορα μοντέλα μηχανικής μάθησης που μπορούν να προβλέψουν τη θερμοκρασία στην οποία ένα υλικό απομαγνητίζεται – θερμοκρασία Curie για το υλικό – από την χημική σύνθεσή του.

Οι ερευνητές πήραν εμπειρικά δεδομένα από 2500 γνωστούς σιδηρομαγνήτες και τα χώρισαν σε δυο σύνολα. Ο υπολογιστής ανέλυσε το ένα σύνολο για να φτιάξει προβλεπτικά μοντέλα και το άλλο σύνολο για να αξιολογήσει την ακρίβειά τους. Κάθε μοντέλο περιγράφει τη σχέση μεταξύ της θερμοκρασίας Curie ενός υλικού και ορισμένων άλλων ιδιοτήτων, όπως ο ατομικός του αριθμός, η θερμοκρασία τήξης και ο τύπος των δεσμών που διαμορφώνεται μεταξύ των ατόμων. Στις περισσότερες περιπτώσεις, μπόρεσαν να προβλέψουν τη θερμοκρασία Curie ενός υλικού μόνο από τον χημικό του τύπο.

Οι Nelson και Sanvito βρήκαν ότι το καλύτερο μοντέλο θα μπορούσε να προβλέψει τη θερμοκρασία Curie ενός υλικού με μια ακρίβεια περίπου 50 Κ. Το πιο σημαντικό: αυτό το μοντέλο θα μπορούσε να βγάλει συμπέρασμα από λίγα σχετικά σημεία δεδομένων. Για παράδειγμα, το μοντέλο πρόβλεψε σωστά αλλαγές της θερμοκρασίας Curie για κράματα μαγγανίου-κοβαλτίου η σύνθεση των οποίων μεταβάλλονταν, ακόμη και αν το εκπαιδευόμενο σύνολο περιείχε μόνο δυο σημεία δεδομένων για αυτά τα υλικά. Ωστόσο, αυτή η προσέγγιση για την ανακάλυψη των υλικών έχει ακόμη σημαντικούς περιορισμούς. Ένας περιορισμός, για παράδειγμα, είναι ότι δεν μπορεί ακόμη να διακρίνει μεταξύ πολύμορφων-συνθετικά παρόμοιων υλικών των οποίων οι θερμοκρασίες Curie διαφέρουν λόγω των διακριτών δομών τους. Το πρόβλημα αυτό δείχνει ότι το μοντέλο έχει ορισμένα θεμελιακά λάθη τα οποία δεν μπορούν να μειωθούν με την αύξηση των ποσών των εκπαιδευτικών δεδομένων και σημαίνει ότι, αν και ο αλγόριθμος μπορεί να επιταχύνει τη διαδικασία σχεδιασμού των υλικών, οι ερευνητές χρειάζονται άλλες μεθόδους για να επιβεβαιώσουν τις προβλεπόμενες ιδιότητες.

Πηγή: American Physical Society

Περισσότερα στη δημοσίευση: Predicting the Curie temperature of ferromagnets using machine learning. Physical Review Materials.