Nanotechnology Now - Pressemeddelelse: Rensselaer-forsker bruger kunstig intelligens til at opdage nye materialer til avanceret databehandling Trevor Rhone bruger AI til at identificere todimensionelle Van Der Waals-magneter

Genudgivet af Platon

Abonnenter: 0

Home > Presse > Rensselaer-forsker bruger kunstig intelligens til at opdage nye materialer til avanceret databehandling Trevor Rhone bruger AI til at identificere todimensionelle van der Waals-magneter

Trevor David Rhone KREDIT Rensselaer Polytechnic Institute

Abstract:
Et team af forskere ledet af Rensselaer Polytechnic Institutes Trevor David Rhone, assisterende professor i Institut for Fysik, Anvendt Fysik og Astronomi, har identificeret nye van der Waals (vdW) magneter ved hjælp af banebrydende værktøjer inden for kunstig intelligens (AI). Især identificerede holdet overgangsmetalhalogenid vdW-materialer med store magnetiske momenter, der forudsiges at være kemisk stabile ved hjælp af semi-overvåget læring. Disse todimensionelle (2D) vdW-magneter har potentielle anvendelser inden for datalagring, spintronik og endda kvanteberegning.

Rensselaer-forsker bruger kunstig intelligens til at opdage nye materialer til avanceret databehandling Trevor Rhone bruger AI til at identificere todimensionelle van der Waals-magneter

Troy, NY | Udgivet den 12. maj 2023

Rhone har specialiseret sig i at udnytte materialeinformatik til at opdage nye materialer med uventede egenskaber, der fremmer videnskab og teknologi. Materialeinformatik er et spirende studieområde i skæringspunktet mellem AI og materialevidenskab. Hans teams seneste forskning blev for nylig vist på forsiden af Advanced Theory and Simulations.

2D-materialer, der kan være så tynde som et enkelt atom, blev først opdaget i 2004 og har været genstand for stor videnskabelig nysgerrighed på grund af deres uventede egenskaber. 2D-magneter er betydningsfulde, fordi deres langrækkende magnetiske rækkefølge fortsætter, når de fortyndes til et eller få lag. Dette skyldes magnetisk anisotropi. Samspillet med denne magnetiske anisotropi og lave dimensionalitet kan give anledning til eksotiske spin-frihedsgrader, såsom spin-teksturer, der kan bruges i udviklingen af kvanteberegningsarkitekturer. 2D-magneter spænder også over hele spektret af elektroniske egenskaber og kan bruges i højtydende og energieffektive enheder.

Rhone og teamet kombinerede high-throughput density functional theory (DFT) beregninger for at bestemme vdW-materialernes egenskaber med AI for at implementere en form for maskinlæring kaldet semi-supervised learning. Semi-superviseret læring bruger en kombination af mærkede og umærkede data til at identificere mønstre i data og lave forudsigelser. Semi-superviseret læring afbøder en stor udfordring inden for maskinlæring – knapheden på mærkede data.

"At bruge AI sparer tid og penge," sagde Rhone. "Den typiske materialeopdagelsesproces kræver dyre simuleringer på en supercomputer, der kan tage måneder. Labeksperimenter kan tage endnu længere tid og kan være dyrere. En AI-tilgang har potentialet til at fremskynde materialeopdagelsesprocessen."

Ved at bruge en indledende delmængde af 700 DFT-beregninger på en supercomputer blev en AI-model trænet, der kunne forudsige egenskaberne af mange tusinde materialekandidater på millisekunder på en bærbar computer. Holdet identificerede derefter lovende kandidat vdW-materialer med store magnetiske momenter og lav formationsenergi. Lav dannelsesenergi er en indikator for kemisk stabilitet, hvilket er et vigtigt krav for at syntetisere materialet i et laboratorium og efterfølgende industrielle anvendelser.

"Vores rammer kan også nemt bruges til at udforske materialer med forskellige krystalstrukturer," sagde Rhone. "Prototyper med blandet krystalstruktur, såsom et datasæt af både overgangsmetalhalogenider og overgangsmetaltrichalcogenider, kan også udforskes med denne ramme."

"Dr. Rhones anvendelse af kunstig intelligens inden for materialevidenskab fortsætter med at producere spændende resultater,” sagde Curt Breneman, dekan for Rensselaers School of Science. "Han har ikke kun fremskyndet vores forståelse af 2D-materialer, der har nye egenskaber, men hans resultater og metoder vil sandsynligvis bidrage til nye kvantecomputerteknologier."

Rhone fik følgeskab i forskning af Romakanta Bhattarai og Haralambos Gavras fra Renselaer; Bethany Lusch og Misha Salim fra Argonne National Laboratory; Marios Mattheakis, Daniel T. Larson og Efthimios Kaxiras fra Harvard University; og Yoshiharu Krockenberger fra NTT Basic Research Laboratories.

####

Om Rensselaer Polytekniske Institut
Rensselaer Polytechnic Institute blev grundlagt i 1824 og er USAs første teknologiske forskningsuniversitet. Rensselaer omfatter fem skoler, over 30 forskningscentre, mere end 140 akademiske programmer, herunder 25 nye programmer, og et dynamisk samfund bestående af over 6,800 studerende og 104,000 levende alumner. Rensselaers fakultet og alumner omfatter op mod 155 National Academy-medlemmer, seks medlemmer af National Inventors Hall of Fame, seks National Medal of Technology-vindere, fem National Medal of Science-vindere og en nobelprisvinder i fysik. Med næsten 200 års erfaring med at fremme videnskabelig og teknologisk viden, er Rensselaer fortsat fokuseret på at tackle globale udfordringer med en ånd af opfindsomhed og samarbejde. For at lære mere, besøg venligst www.rpi.edu.

For mere information, klik link.

Kontaktpersoner:
Katie Malatino
Rensselaer Polytechnic Institute
Cell: 838-240-5691
@rpi

Hvis du har en kommentar, tak Kontakt os.

Udstedere af nyhedsudgivelser, ikke 7th Wave, Inc. eller Nanotechnology Now, er alene ansvarlige for indholdets nøjagtighed.

Bogmærke: