Nanoteknologi nå - Pressemelding: Rensselaer-forsker bruker kunstig intelligens for å oppdage nye materialer for avansert databehandling Trevor Rhone bruker kunstig intelligens for å identifisere todimensjonale Van Der Waals-magneter

Publisert av Platon

Følgere: 0

Hjemprodukt > Press > Rensselaer-forsker bruker kunstig intelligens for å oppdage nye materialer for avansert databehandling Trevor Rhone bruker AI for å identifisere todimensjonale van der Waals-magneter

Trevor David Rhone KREDITT Rensselaer polytekniske institutt

Abstrakt:
Et team av forskere ledet av Rensselaer Polytechnic Institutes Trevor David Rhone, assisterende professor ved Institutt for fysikk, anvendt fysikk og astronomi, har identifisert nye van der Waals (vdW) magneter ved å bruke banebrytende verktøy innen kunstig intelligens (AI). Spesielt identifiserte teamet overgangsmetallhalogenid vdW-materialer med store magnetiske momenter som er spådd å være kjemisk stabile ved bruk av semi-overvåket læring. Disse todimensjonale (2D) vdW-magnetene har potensielle bruksområder innen datalagring, spintronikk og til og med kvantedatabehandling.

Rensselaer-forsker bruker kunstig intelligens for å oppdage nye materialer for avansert databehandling Trevor Rhone bruker AI for å identifisere todimensjonale van der Waals-magneter

Troy, NY | Lagt ut 12. mai 2023

Rhone spesialiserer seg på å utnytte materialinformatikk for å oppdage nye materialer med uventede egenskaper som fremmer vitenskap og teknologi. Materialinformatikk er et voksende studieretning i skjæringspunktet mellom AI og materialvitenskap. Teamets siste forskning ble nylig omtalt på forsiden av Advanced Theory and Simulations.

2D-materialer, som kan være så tynne som et enkelt atom, ble først oppdaget i 2004 og har vært gjenstand for stor vitenskapelig nysgjerrighet på grunn av deres uventede egenskaper. 2D-magneter er viktige fordi deres langdistansemagnetiske rekkefølge vedvarer når de tynnes ned til ett eller noen få lag. Dette skyldes magnetisk anisotropi. Samspillet med denne magnetiske anisotropien og lav dimensjonalitet kan gi opphav til eksotiske spinn frihetsgrader, slik som spinnteksturer som kan brukes i utviklingen av kvanteberegningsarkitekturer. 2D-magneter spenner også over hele spekteret av elektroniske egenskaper og kan brukes i høyytelses og energieffektive enheter.

Rhone og teamet kombinerte beregninger med høy gjennomstrømmingsdensitetsfunksjonsteori (DFT) for å bestemme egenskapene til vdW-materialene, med AI for å implementere en form for maskinlæring kalt semi-overvåket læring. Semi-overvåket læring bruker en kombinasjon av merkede og umerkede data for å identifisere mønstre i data og lage spådommer. Semi-overvåket læring reduserer en stor utfordring innen maskinlæring – mangelen på merkede data.

"Å bruke AI sparer tid og penger," sa Rhone. "Den typiske materialoppdagelsesprosessen krever dyre simuleringer på en superdatamaskin som kan ta måneder. Laboratorieeksperimenter kan ta enda lengre tid og kan bli dyrere. En AI-tilnærming har potensial til å fremskynde materialoppdagelsesprosessen.»

Ved å bruke en innledende delmengde av 700 DFT-beregninger på en superdatamaskin, ble en AI-modell trent opp som kunne forutsi egenskapene til mange tusen materialkandidater i millisekunder på en bærbar datamaskin. Teamet identifiserte deretter lovende kandidat-vdW-materialer med store magnetiske momenter og lav formasjonsenergi. Lav formasjonsenergi er en indikator på kjemisk stabilitet, som er et viktig krav for å syntetisere materialet i et laboratorium og påfølgende industrielle applikasjoner.

"Rammeverket vårt kan enkelt brukes til å utforske materialer med forskjellige krystallstrukturer også," sa Rhone. "Prototyper med blandet krystallstruktur, for eksempel et datasett av både overgangsmetallhalogenider og overgangsmetalltrichalcogenider, kan også utforskes med dette rammeverket."

«Dr. Rhones bruk av AI på materialvitenskapen fortsetter å gi spennende resultater, sier Curt Breneman, dekan ved Rensselaers School of Science. "Han har ikke bare akselerert vår forståelse av 2D-materialer som har nye egenskaper, men hans funn og metoder vil sannsynligvis bidra til nye kvantedatabehandlingsteknologier."

Rhone fikk selskap i forskning av 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 institutt
Rensselaer Polytechnic Institute ble grunnlagt i 1824 og er USAs første teknologiske forskningsuniversitet. Rensselaer omfatter fem skoler, over 30 forskningssentre, mer enn 140 akademiske programmer inkludert 25 nye programmer, og et dynamisk fellesskap bestående av over 6,800 studenter og 104,000 levende alumner. Rensselaer-fakultetet og alumni inkluderer over 155 National Academy-medlemmer, seks medlemmer av National Inventors Hall of Fame, seks National Medal of Technology-vinnere, fem National Medal of Science-vinnere og en nobelprisvinner i fysikk. Med nesten 200 års erfaring med å fremme vitenskapelig og teknologisk kunnskap, forblir Rensselaer fokusert på å møte globale utfordringer med en ånd av oppfinnsomhet og samarbeid. For å lære mer, besøk www.rpi.edu.

For mer informasjon, klikk her.

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

Hvis du har en kommentar, vær så snill Kontakt oss.

Utstedere av nyhetsutgivelser, ikke 7th Wave, Inc. eller Nanotechnology Now, er alene ansvarlig for nøyaktigheten av innholdet.

Bokmerke: