مواد و ساخت پیشرفته

دانشمندان نشان دادند چگونه یادگیری ماشینی می‌تواند محاسبه دقیق و کارآمد خواص الکترونیکی سطوح اکسیدهای دوتایی و سه‌تایی را ممکن ‌سازد. همچنین سایر ترکیبات و ویژگی‌ها را می‌توان در مدل مبتنی بر یادگیری ماشینی آنها گنجاند. این مطالعه هم در ایجاد مواد کاربردی و هم در غربالگری خواص سطح مواد کاربرد دارد. بررسی کامل ساختارهای اتمی و الکترونیکی مواد جدید برای طراحی و توسعه آنها برای تولید مواد با ویژگی‌های برتر ضروری است.

جزئیات مهم در مورد ساختار پیوند الکترونیکی سطوح نیمه‌هادی، عایق و دی الکتریک را می‌توان با بررسی پارامترهای انرژی الکترون مانند الکترون‌خواهی و پتانسیل یونیزاسیون یافت. اگر الکترون‌خواهی و پتانسیل یونیزاسیون این مواد را بتوان به طور دقیق تخمین زد، چنین مواد غیرفلزی را می‌توان به عنوان سطوح کاربردی و رابط در دستگاه‌های حساس به نور و تجهیزات نوری استفاده نمود.

الکترون‌خواهی و پتانسیل یونیزاسیون به شدت به ساختارهای سطحی متکی هستند که فرآیند پیچیده کمّی کردن آنها را دشوار می‌کند. سیستم‌های حجیم و سطحی به طور مستقل در محاسبات اصول اولیه دقیق مورد استفاده در محاسبات سنتی الکترون‌خواهی و پتانسیل یونیزاسیون اندازه‌گیری می‌شوند. برای بسیاری از سطوح، این تکنیک پر زحمت، تعیین کمیت الکترون‌خواهی و پتانسیل یونیزاسیون را غیرممکن می‌کند بنابراین باید به جای آن از روش‌های محاسباتی کارآمد استفاده کرد.

از اینرو گروهی از دانشمندان مؤسسه فناوری توکیو (تکنولوژی توکیو) تحت هدایت پروفسور فومیاسو اوبا توجه خود را به یادگیری ماشین معطوف کرده‌اند تا با مشکلات گسترده‌ای که بر اندازه‌گیری الکترون‌خواهی و پتانسیل یونیزاسیون جامدات غیرفلزی تأثیر می‌گذارد، مقابله کنند. محققان از همپوشانی ملایم موقعیت‌های اتم (SOAP) به عنوان داده‌های ورودی عددی برای ایجاد یک مدل رگرسیون با استفاده از یک شبکه عصبی مصنوعی استفاده کردند. مدل آنها به طور موثر و دقیق الکترون‌خواهی و پتانسیل یونیزاسیون سطوح اکسید دوتایی را با استفاده از داده‌ها بر روی ساختارهای بلوری حجیم و سطوح پایان سطح پیش‌بینی کرد.

علاوه بر این، مدل پیش‌بینی مبتنی بر یادگیری ماشینی قادر است یادگیری را انتقال دهد، که فرآیند اصلاح مدلی است که برای یک هدف خاص ساخته شده است تا مجموعه‌های داده تازه را جذب کند و مجدداً آن را برای وظایف مختلف به کار گیرد. دانشمندان اثرات چندین کاتیون را با ایجاد  SOAP‌های قابل یادگیری در مدل خود وارد کردند و الکترون‌خواهی و پتانسیل یونیزاسیون اکسیدهای سه تایی را با استفاده از یادگیری انتقالی پیش‌بینی کردند. اوبا همچنین اشاره نمود که مدل ما به پیش‌بینی خواص سطحی اکسیدها محدود نمی‌شود بلکه می‌توان آن را برای مطالعه سایر ترکیبات و خواص آنها گسترش داد.

منبع