Томас Эдисон испытал сотни материалов и тысячи раз потерпел неудачу, прежде чем обнаружил, что карбонизированная хлопковая нить долго и ярко горит в лампе накаливания. Эксперименты часто требуют много времени (команда Эдисона потратила 14 месяцев) и дорого (выигрышная комбинация стоила около 850 000 долларов в сегодняшних деньгах).
Затраты и время растут в геометрической прогрессии при разработке квантовых материалов , которые произведут революцию в современной электронике и вычислительной технике.
Чтобы сделать возможным открытие квантовых материалов, исследователи обращаются к подробным базам данных как к своей виртуальной лаборатории. Новая база данных малоизученных квантовых материалов, созданная исследователями Тихоокеанской северо-западной национальной лаборатории (PNNL), дает возможность открыть новые материалы, которые могут питать устройства, гораздо более мощные, чем лампочка Эдисона.
За рамками эдисоновских проб и ошибок
«Мы хотели понять общий класс материалов, которые имеют одинаковую кристаллическую структуру, но разные свойства в зависимости от того, как вы их комбинируете и выращиваете», — сказал материаловед Тим Поуп. Этот класс материалов, известный как дихалькогениды переходных металлов (TMD), содержит тысячи потенциальных комбинаций, каждая из которых требует недельной реакции, чтобы вырастить хлопья материала размером с блестки.
Создание материала — это только первый шаг к пониманию того, на что он способен. Как сказал ученый-вычислитель PNNL Мика Прэндж, каждая чешуйка «очень маленькая, очень хрупкая», и квантовые особенности проявятся только при изучении при сверхнизких температурах. По сути, «в каждую чешуйку может быть включена целая исследовательская программа».
Несмотря на сложность их создания и измерения, каждая комбинация обещает значительно улучшить электронику, батареи, меры по устранению загрязнения и устройства квантовых вычислений.
]Прандж сказал, что хлопья можно рассматривать как «более причудливый графен с более богатой феноменологией и более практическими возможностями». Прочный, легкий и гибкий графен известен как материал будущего, который можно использовать во всем, от аэрокосмической промышленности до носимой электроники.
«Различные свойства этого класса материалов означают, что, как мы лучше их понимаем, одна из комбинаций может быть выбрана для желаемого свойства и точно подобрана для идеального использования, — сказал Поуп, — или даже для совершенно нового применения».
Разработка квантовых материалов будущего
Создание базы данных началось с Инициативы PNNL по химической динамике, попытки использовать силу PNNL в науке о данных , чтобы заполнить пробелы в знаниях, оставленные проблемами измерения и экспериментальными ограничениями.
Эти конкретные квантовые материалы изготавливаются из различных пропорций 38 переходных металлов , таких как вольфрам или ванадий, в сочетании с тремя элементами семейства серы. Их также можно выращивать в трех различных кристаллических структурах, что означает, что существуют тысячи потенциальных комбинаций, каждая из которых имеет разные свойства.
Используя тип моделирования, называемый теорией функционала плотности, исследователи рассчитали свойства 672 уникальных структур с 50 337 отдельными атомными конфигурациями. До этого исследования было изучено менее 40 конфигураций с лишь рудиментарным пониманием их свойств.
«Модели могут проработать квантовую механику того, как устроены атомы», — сказал Прандж. «Из этого вы можете сказать, будет ли материал проводить электричество или будет прозрачным, или насколько трудно будет материал сжиматься или изгибаться».
Используя базу данных, исследователи PNNL выявили поразительные различия в электрических и магнитных характеристиках различных комбинаций. Важно отметить, что исследователи также обнаружили другие тенденции, когда они варьировали переходный металл, включая новое понимание химии переходных металлов на квантовом уровне.
Квантовые комбинации для машинного обучения
«Когда кристаллическая структура была наложена на базу данных, она идеально совпала», — сказал Поуп, говоря о хлопьях, выращенных с помощью PNNL, которые начинают подтверждать результаты моделирования.
«На самом деле идея заключалась в том, чтобы разработать большой набор данных для теоретического моделирования, чтобы мы могли использовать аналитику данных для понимания этих материалов», — сказал Прандж. «Непосредственная ценность проекта заключается в том, что мы рассмотрели достаточно разных случаев, чтобы эффективно использовать машинное обучение».
Набор данных с открытым исходным кодом, опубликованный в Scientific Data, предлагает исследователям надежную отправную точку для изучения взаимосвязей между исходными структурами и соответствующими свойствами. Имея эту информацию, они могут перейти к конкретным материалам для изучения.
«Этот проект является одним из примеров того, как мы можем использовать большой набор вычислительных данных для руководства экспериментальными исследованиями, — сказал главный научный сотрудник CDI Питер Сушко. — Подобные проекты предоставляют критически важные данные сообществу машинного обучения и могут оптимизировать разработку материалов. подумать о том, что нужно понять дальше, чтобы сделать возможным синтез этих материалов с атомарной точностью».
Теги: ИИ, квант, микроэлектроника
