XDA智能手机网 - 第一智能手机评述媒体
新闻您的位置:首页 >新闻 >

“深度学习”为新颖的2D材料投入了广泛的网络

发布时间:2019-06-12 15:50:35 来源:

科学家正在快速发现新的二维材料,但他们并不总是立即知道这些材料可以做什么。

莱斯大学布朗工程学院的研究人员表示,他们可以通过将其结构的基本细节提供给能够绘制材料属性的“深度学习”代理来快速找到答案。更好的是,代理商可以快速模拟科学家正在考虑制作的材料,以促进二维材料的“自下而上”设计。

土木与环境工程助理教授Rouzbeh Shahsavari和赖斯研究生Prabhas Hundi探索了神经网络和多层感知器的能力,这些神经网络和多层感知器从2D材料的模拟结构中获取最少的数据,并对其物理特性进行“合理准确”的预测,像强度一样,即使它们受到辐射和高温的损害。

Shahsavari说,一旦接受过培训,这些代理商就可以通过其结构数据的10%来适应新的2D材料。他说,这将回归对材料优势的分析,准确率约为95%。

“这表明转移学习(在一种材料上训练的深度学习算法可以应用于另一种材料)是材料发现和表征方法的潜在改变者,”研究人员提出。

他们对石墨烯和六方氮化硼的广泛测试结果发表在Small杂志上。

自2004年发现石墨烯以来,原子厚材料因其复合材料和电子产品的强度和电子特性范围而备受推崇。由于它们的原子排列对其性质有重大影响,研究人员经常使用分子动力学模拟来分析新2D材料的结构,甚至在尝试制造它们之前。

Shahsavari表示深度学习比传统的2D材料模拟及其特性提供了显着的速度提升,允许计算现在需要数天的超级计算机时间才能在数小时内运行。

“因为我们可以用石墨烯或氮化硼分子动力学模拟中的一小部分数据来构建我们的结构 - 属性图,我们看到获得材料的完整行为的计算时间减少了一个数量级,”他说。

Shahsavari说,该实验室决定研究石墨烯和六方氮化硼,因为它们在高温和富含辐射的环境中具有很高的耐受性,这是航天器和核电站材料的重要特性。因为Shahsavari小组已经针对另一篇关于二维材料的论文进行了超过11,000次辐射级联损伤分子动力学模拟,他们有动机去看看他们是否可以用更快的方法重现他们的结果。

他们针对六角形氮化硼的80种辐射和温度组合以及石墨烯的48种组合进行了数千次“深度学习”模拟,用31个随机剂量的模拟辐射击中每种组合。对于一些人来说,研究人员使用分子动力学研究中最多45%的数据训练深度学习代理,在预测缺陷及其对材料特性的影响方面实现高达97%的准确性。

他们发现,训练有素的代理人适应不同的材料只需要大约10%的模拟数据,大大加快了这个过程,同时保持了良好的准确性。

“我们试图在暴露于极端条件后,以及所有缺陷中找出材料的相应残余强度,”他说。“正如预期的那样,当平均温度或辐射太高时,残余强度变得非常低。但这种趋势并不总是显而易见的。”

他说,在某些情况下,较高的辐射和较高的温度使得材料更加坚固而不是更少,这将有助于研究人员在制作实物产品之前了解这一点。

Shahsavari说:“我们在结构 - 属性图的开发方面的深度学习方法可以开辟一个新的框架,以了解2D材料的行为,发现它们的非直观共性和异常,并最终更好地为定制应用设计它们。”

热点推荐
随机文章