Nanotechnologie nu - Persbericht: Rensselaer-onderzoeker gebruikt kunstmatige intelligentie om nieuwe materialen voor geavanceerde computers te ontdekken Trevor Rhone gebruikt AI om tweedimensionale Van der Waals-magneten te identificeren

Heruitgegeven door Plato

volgers: 0

Home > Media > Rensselaer-onderzoeker gebruikt kunstmatige intelligentie om nieuwe materialen voor geavanceerd computergebruik te ontdekken Trevor Rhone gebruikt AI om tweedimensionale van der Waals-magneten te identificeren

Trevor David Rhone CREDIT Rensselaer Polytechnisch Instituut

Abstract:
Een team van onderzoekers onder leiding van Trevor David Rhone van het Rensselaer Polytechnic Institute, assistent-professor bij de afdeling Natuurkunde, Toegepaste Natuurkunde en Sterrenkunde, heeft nieuwe van der Waals (vdW)-magneten geïdentificeerd met behulp van geavanceerde hulpmiddelen in kunstmatige intelligentie (AI). Het team identificeerde met name overgangsmetaalhalogenide vdW-materialen met grote magnetische momenten waarvan wordt voorspeld dat ze chemisch stabiel zijn met behulp van semi-gesuperviseerd leren. Deze tweedimensionale (2D) vdW-magneten hebben potentiële toepassingen in dataopslag, spintronica en zelfs kwantumcomputing.

Rensselaer-onderzoeker gebruikt kunstmatige intelligentie om nieuwe materialen voor geavanceerd computergebruik te ontdekken Trevor Rhone gebruikt AI om tweedimensionale van der Waals-magneten te identificeren

Troje, NY | Geplaatst op 12 mei 2023

Rhone is gespecialiseerd in het benutten van materiaalinformatica om nieuwe materialen te ontdekken met onverwachte eigenschappen die wetenschap en technologie vooruit helpen. Materiaalinformatica is een opkomend studiegebied op het snijvlak van AI en materiaalkunde. Het nieuwste onderzoek van zijn team stond onlangs op de cover van Advanced Theory and Simulations.

2D-materialen, die zo dun kunnen zijn als een enkel atoom, werden pas in 2004 ontdekt en waren het onderwerp van grote wetenschappelijke nieuwsgierigheid vanwege hun onverwachte eigenschappen. 2D-magneten zijn belangrijk omdat hun magnetische ordening over lange afstand blijft bestaan wanneer ze worden uitgedund tot een of enkele lagen. Dit komt door magnetische anisotropie. Het samenspel met deze magnetische anisotropie en lage dimensionaliteit zou kunnen leiden tot exotische spinvrijheidsgraden, zoals spintexturen die kunnen worden gebruikt bij de ontwikkeling van quantum computing-architecturen. 2D-magneten omvatten ook het volledige scala aan elektronische eigenschappen en kunnen worden gebruikt in krachtige en energiezuinige apparaten.

Rhone en team combineerden high-throughput density functional theory (DFT)-berekeningen om de eigenschappen van de vdW-materialen te bepalen, met AI om een vorm van machine learning te implementeren die semi-supervised learning wordt genoemd. Semi-supervised learning gebruikt een combinatie van gelabelde en niet-gelabelde data om patronen in data te identificeren en voorspellingen te doen. Semi-supervised learning lost een grote uitdaging in machine learning op: de schaarste aan gelabelde data.

"Het gebruik van AI bespaart tijd en geld", zegt Rhone. “Het typische materiaalontdekkingsproces vereist dure simulaties op een supercomputer die maanden kunnen duren. Lab-experimenten kunnen nog langer duren en kunnen duurder zijn. Een AI-benadering heeft het potentieel om het materiaalontdekkingsproces te versnellen.”

Met behulp van een eerste subset van 700 DFT-berekeningen op een supercomputer werd een AI-model getraind dat de eigenschappen van vele duizenden materiaalkandidaten in milliseconden op een laptop kon voorspellen. Het team identificeerde vervolgens veelbelovende kandidaat-vdW-materialen met grote magnetische momenten en lage formatie-energie. Lage vormingsenergie is een indicator van chemische stabiliteit, wat een belangrijke vereiste is voor het synthetiseren van het materiaal in een laboratorium en daaropvolgende industriële toepassingen.

"Ons raamwerk kan ook gemakkelijk worden toegepast om materialen met verschillende kristalstructuren te onderzoeken", zei Rhone. "Prototypes met gemengde kristalstructuren, zoals een dataset van zowel overgangsmetaalhalogeniden als overgangsmetaaltrichalcogeniden, kunnen ook met dit raamwerk worden onderzocht."

“Dr. Rhones toepassing van AI op het gebied van materiaalwetenschap blijft opwindende resultaten opleveren”, zegt Curt Breneman, decaan van Rensselaer's School of Science. "Hij heeft niet alleen ons begrip van 2D-materialen met nieuwe eigenschappen versneld, maar zijn bevindingen en methoden zullen waarschijnlijk bijdragen aan nieuwe kwantumcomputertechnologieën."

Rhone werd bij het onderzoek vergezeld door Romakanta Bhattarai en Haralambos Gavras van Renselaer; Bethany Lusch en Misha Salim van Argonne National Laboratory; Marios Mattheakis, Daniel T. Larson en Efthimios Kaxiras van Harvard University; en Yoshiharu Krockenberger van NTT Basic Research Laboratories.

####

Over Rensselaer Polytechnic Institute
Rensselaer Polytechnic Institute, opgericht in 1824, is Amerika's eerste technologische onderzoeksuniversiteit. Rensselaer omvat vijf scholen, meer dan 30 onderzoekscentra, meer dan 140 academische programma's, waaronder 25 nieuwe programma's, en een dynamische gemeenschap die bestaat uit meer dan 6,800 studenten en 104,000 levende alumni. De faculteit en alumni van Rensselaer omvatten meer dan 155 National Academy-leden, zes leden van de National Inventors Hall of Fame, zes National Medal of Technology-winnaars, vijf National Medal of Science-winnaars en een Nobelprijswinnaar in de natuurkunde. Met bijna 200 jaar ervaring in het bevorderen van wetenschappelijke en technologische kennis, blijft Rensselaer gefocust op het aanpakken van wereldwijde uitdagingen met een geest van vindingrijkheid en samenwerking. Ga voor meer informatie naar www.rpi.edu.

Voor meer informatie, klik hier

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

Als u een opmerking heeft, alstublieft Neem contact op met ons op.

Uitgevers van nieuwsberichten, niet 7th Wave, Inc. of Nanotechnology Now, zijn zelf verantwoordelijk voor de juistheid van de inhoud.

Bladwijzer: