Nanotechnology Now - Pressmeddelande: Rensselaer-forskaren använder artificiell intelligens för att upptäcka nya material för avancerad beräkning Trevor Rhone använder AI för att identifiera tvådimensionella Van Der Waals-magneter

Återutgiven av Platon

anhängare: 0

Hem > Presse > Rensselaer-forskare använder artificiell intelligens för att upptäcka nya material för avancerad beräkning Trevor Rhone använder AI för att identifiera tvådimensionella van der Waals-magneter

Trevor David Rhone KREDIT Rensselaer Polytechnic Institute

Sammanfattning:
Ett team av forskare ledda av Rensselaer Polytechnic Institutes Trevor David Rhone, biträdande professor vid institutionen för fysik, tillämpad fysik och astronomi, har identifierat nya van der Waals (vdW) magneter med hjälp av banbrytande verktyg inom artificiell intelligens (AI). I synnerhet identifierade teamet övergångsmetallhalogenid vdW-material med stora magnetiska moment som förutspås vara kemiskt stabila med hjälp av semi-övervakad inlärning. Dessa tvådimensionella (2D) vdW-magneter har potentiella tillämpningar inom datalagring, spintronik och till och med kvantberäkning.

Rensselaer-forskaren använder artificiell intelligens för att upptäcka nya material för avancerad beräkning Trevor Rhone använder AI för att identifiera tvådimensionella van der Waals-magneter

Troy, NY | Postat den 12 maj 2023

Rhone har specialiserat sig på att utnyttja materialinformatik för att upptäcka nya material med oväntade egenskaper som främjar vetenskap och teknik. Materialinformatik är ett framväxande studieområde i skärningspunkten mellan AI och materialvetenskap. Hans teams senaste forskning visades nyligen på omslaget till Advanced Theory and Simulations.

2D-material, som kan vara så tunna som en enda atom, upptäcktes först 2004 och har varit föremål för stor vetenskaplig nyfikenhet på grund av deras oväntade egenskaper. 2D-magneter är betydelsefulla eftersom deras långdistansmagnetiska ordning kvarstår när de tunnas ner till ett eller några lager. Detta beror på magnetisk anisotropi. Samspelet med denna magnetiska anisotropi och låga dimensionalitet kan ge upphov till exotiska spinnfrihetsgrader, såsom spinntexturer som kan användas i utvecklingen av kvantberäkningsarkitekturer. 2D-magneter spänner också över alla elektroniska egenskaper och kan användas i högpresterande och energieffektiva enheter.

Rhone och teamet kombinerade high-throughput density functional theory (DFT) beräkningar för att bestämma vdW-materialens egenskaper, med AI för att implementera en form av maskininlärning som kallas semi-övervakad inlärning. Semi-övervakat lärande använder en kombination av märkta och omärkta data för att identifiera mönster i data och göra förutsägelser. Halvövervakad inlärning dämpar en stor utmaning inom maskininlärning – bristen på märkt data.

"Att använda AI sparar tid och pengar", sa Rhone. "Den typiska materialupptäcksprocessen kräver dyra simuleringar på en superdator som kan ta månader. Labexperiment kan ta ännu längre tid och kan bli dyrare. En AI-metod har potential att påskynda materialupptäcksprocessen."

Med hjälp av en initial delmängd av 700 DFT-beräkningar på en superdator tränades en AI-modell som kunde förutsäga egenskaperna hos många tusentals materialkandidater på millisekunder på en bärbar dator. Teamet identifierade sedan lovande kandidat-vdW-material med stora magnetiska moment och låg formationsenergi. Låg bildningsenergi är en indikator på kemisk stabilitet, vilket är ett viktigt krav för att syntetisera materialet i ett laboratorium och efterföljande industriella tillämpningar.

"Vårt ramverk kan lätt användas för att utforska material med olika kristallstrukturer också," sa Rhone. "Prototyper med blandad kristallstruktur, såsom en datauppsättning av både övergångsmetallhalider och övergångsmetalltrichalcogenider, kan också utforskas med detta ramverk."

"Dr. Rhones tillämpning av AI inom materialvetenskapen fortsätter att ge spännande resultat”, säger Curt Breneman, dekanus för Rensselaers School of Science. "Han har inte bara påskyndat vår förståelse av 2D-material som har nya egenskaper, utan hans upptäckter och metoder kommer sannolikt att bidra till ny kvantberäkningsteknik."

Rhone fick sällskap i forskning av Romakanta Bhattarai och Haralambos Gavras från Renselaer; Bethany Lusch och Misha Salim från Argonne National Laboratory; Marios Mattheakis, Daniel T. Larson och Efthimios Kaxiras från Harvard University; och Yoshiharu Krockenberger från NTT Basic Research Laboratories.

####

Om Rensselaer Polytechnic Institute
Rensselaer Polytechnic Institute grundades 1824 och är USA:s första tekniska forskningsuniversitet. Rensselaer omfattar fem skolor, över 30 forskningscentra, mer än 140 akademiska program inklusive 25 nya program och en dynamisk gemenskap som består av över 6,800 104,000 studenter och 155 200 levande alumner. Rensselaers fakultet och alumner inkluderar uppemot XNUMX National Academy-medlemmar, sex medlemmar av National Inventors Hall of Fame, sex National Medal of Technology-vinnare, fem National Medal of Science-vinnare och en Nobelpristagare i fysik. Med nästan XNUMX års erfarenhet av att främja vetenskaplig och teknisk kunskap, fortsätter Rensselaer att fokusera på att möta globala utmaningar med en anda av uppfinningsrikedom och samarbete. För mer information, besök www.rpi.edu.

För mer information, klicka på här.

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

Om du har en kommentar, snälla Kontakta oss oss.

Emittenter av nyhetsmeddelanden, inte 7th Wave, Inc. eller Nanotechnology Now, är ensamma ansvariga för innehållets noggrannhet.

Bokmärke: