نانوتکنولوژی اکنون - بیانیه مطبوعاتی: محقق Rensselaer از هوش مصنوعی برای کشف مواد جدید برای محاسبات پیشرفته استفاده می کند Trevor Rhone از هوش مصنوعی برای شناسایی آهنرباهای Van Der Waals دو بعدی استفاده می کند

بازنشر افلاطون

دنبال: 0

صفحه اصلی > رسانه ها و مطبوعات > محقق Rensselaer از هوش مصنوعی برای کشف مواد جدید برای محاسبات پیشرفته استفاده می کند Trevor Rhone از هوش مصنوعی برای شناسایی آهنرباهای واندروالس دو بعدی استفاده می کند.

Trevor David Rhone اعتبار موسسه پلی تکنیک Rensselaer

چکیده:
تیمی از محققان به رهبری تروور دیوید رون، استادیار گروه فیزیک، فیزیک کاربردی و نجوم، مؤسسه پلی‌تکنیک Rensselaer، آهن‌رباهای جدید واندروالس (vdW) را با استفاده از ابزارهای پیشرفته در هوش مصنوعی (AI) شناسایی کرده‌اند. به طور خاص، این تیم مواد انتقالی فلز هالید vdW را با گشتاورهای مغناطیسی بزرگ شناسایی کردند که پیش‌بینی می‌شود با استفاده از یادگیری نیمه نظارت شده از نظر شیمیایی پایدار باشند. این آهنرباهای vdW دو بعدی (2 بعدی) کاربردهای بالقوه ای در ذخیره سازی داده ها، اسپینترونیک و حتی محاسبات کوانتومی دارند.

محقق Rensselaer از هوش مصنوعی برای کشف مواد جدید برای محاسبات پیشرفته استفاده می کند Trevor Rhone از هوش مصنوعی برای شناسایی آهنرباهای واندروالس دو بعدی استفاده می کند.

تروی، نیویورک | ارسال شده در 12 می 2023

Rhone در مهار انفورماتیک مواد برای کشف مواد جدید با خواص غیرمنتظره که باعث پیشرفت علم و فناوری می شود، تخصص دارد. انفورماتیک مواد یک رشته مطالعاتی نوظهور در تقاطع هوش مصنوعی و علم مواد است. آخرین تحقیقات تیم او اخیراً روی جلد Advanced Theory and Simulations منتشر شده است.

مواد دوبعدی که می‌توانند به نازکی یک اتم باشند، تنها در سال 2 کشف شدند و به دلیل خواص غیرمنتظره‌شان، موضوع کنجکاوی علمی بزرگی قرار گرفتند. آهنرباهای دوبعدی اهمیت زیادی دارند زیرا ترتیب مغناطیسی دوربرد آنها هنگامی که به یک یا چند لایه نازک می شوند ادامه می یابد. این به دلیل ناهمسانگردی مغناطیسی است. فعل و انفعال با این ناهمسانگردی مغناطیسی و ابعاد کم می تواند منجر به درجات آزادی چرخش عجیب و غریب شود، مانند بافت های چرخشی که می توانند در توسعه معماری های محاسباتی کوانتومی استفاده شوند. آهنرباهای دو بعدی همچنین طیف کاملی از خواص الکترونیکی را در بر می گیرند و می توانند در دستگاه های با کارایی بالا و کم مصرف استفاده شوند.

رون و تیم محاسبات تئوری عملکردی چگالی بالا (DFT) را برای تعیین ویژگی‌های مواد vdW با هوش مصنوعی ترکیب کردند تا شکلی از یادگیری ماشینی به نام یادگیری نیمه‌نظارتی را پیاده‌سازی کنند. یادگیری نیمه نظارت شده از ترکیبی از داده های برچسب دار و بدون برچسب برای شناسایی الگوهای موجود در داده ها و پیش بینی استفاده می کند. یادگیری نیمه نظارت شده یک چالش بزرگ در یادگیری ماشینی را کاهش می دهد - کمبود داده های برچسب گذاری شده.

رون گفت: استفاده از هوش مصنوعی باعث صرفه جویی در زمان و هزینه می شود. «فرایند معمولی کشف مواد نیازمند شبیه‌سازی‌های گران‌قیمت روی یک ابر رایانه است که می‌تواند ماه‌ها طول بکشد. آزمایش‌های آزمایشگاهی حتی بیشتر طول می‌کشد و می‌تواند گران‌تر باشد. یک رویکرد هوش مصنوعی این پتانسیل را دارد که فرآیند کشف مواد را سرعت بخشد.

با استفاده از یک زیرمجموعه اولیه از 700 محاسبه DFT در یک ابر رایانه، یک مدل هوش مصنوعی آموزش داده شد که می‌توانست خواص هزاران ماده کاندید را در میلی‌ثانیه روی یک لپ‌تاپ پیش‌بینی کند. این تیم سپس مواد امیدوارکننده vdW را با گشتاورهای مغناطیسی بزرگ و انرژی تشکیل کم شناسایی کردند. انرژی کم تشکیل یک شاخص پایداری شیمیایی است که یک نیاز مهم برای سنتز مواد در آزمایشگاه و کاربردهای صنعتی بعدی است.

رون گفت: "چارچوب ما به راحتی می تواند برای کاوش مواد با ساختارهای کریستالی مختلف نیز استفاده شود." نمونه‌های اولیه ساختار کریستالی مخلوط، مانند مجموعه داده‌های هالیدهای فلزات واسطه و تری‌کالکوژنیدهای فلزات واسطه نیز می‌توانند با این چارچوب بررسی شوند.

"دکتر. کرت برنمن، رئیس دانشکده علوم Rensselaer گفت: استفاده از هوش مصنوعی Rhone در زمینه علم مواد همچنان به نتایج هیجان انگیزی منجر می شود. او نه تنها درک ما را از مواد دو بعدی که دارای ویژگی‌های جدید هستند تسریع کرده است، بلکه یافته‌ها و روش‌های او احتمالاً به فناوری‌های محاسباتی کوانتومی جدید کمک می‌کنند.»

روماکانتا باتارای و هارالامبوس گاوراس از Renselaer به رون در تحقیقات پیوستند. بتانی لوش و میشا سلیم از آزمایشگاه ملی آرگون؛ ماریوس ماتیاکیس، دانیل تی. لارسون، و افتیمیوس کاکسیراس از دانشگاه هاروارد. و یوشیهارو کروکنبرگر از آزمایشگاه های تحقیقاتی پایه NTT.

####

درباره موسسه پلی تکنیک Rensselaer
موسسه پلی تکنیک Rensselaer که در سال 1824 تأسیس شد، اولین دانشگاه تحقیقاتی فناوری آمریکا است. Rensselaer شامل پنج مدرسه، بیش از 30 مرکز تحقیقاتی، بیش از 140 برنامه دانشگاهی شامل 25 برنامه جدید، و یک جامعه پویا متشکل از بیش از 6,800 دانش آموز و 104,000 فارغ التحصیل زنده است. اعضای هیئت علمی و فارغ التحصیلان رنسلر شامل بیش از 155 عضو آکادمی ملی، شش عضو تالار مشاهیر مخترعان ملی، شش برنده مدال ملی فناوری، پنج برنده مدال ملی علوم و یک برنده جایزه نوبل در فیزیک هستند. با نزدیک به 200 سال تجربه در پیشرفت دانش علمی و فناوری، Rensselaer همچنان بر روی مقابله با چالش های جهانی با روحیه نبوغ و همکاری متمرکز است. برای کسب اطلاعات بیشتر، لطفاً به www.rpi.edu مراجعه کنید.

برای اطلاعات بیشتر، لطفا کلیک کنید اینجا کلیک نمایید

تماس با ما:
کیتی مالاتینو
موسسه پلی تکنیک Rensselaer
همراه: 838-240-5691
@rpi

حق چاپ © موسسه پلی تکنیک Rensselaer

اگر نظری دارید بفرمایید تماس با ما ما.

مسئولیت صحت محتوا به عهده صادرکنندگان انتشارات خبری است، نه موج هفتم، شرکت یا نانوتکنولوژی اکنون.

نشانک: