「虚拟实验室」为机器学习理解有前途的量子材料提供了可能性 - IT思维

公众号/  ScienceAI（ID：Philosophyai）

爱迪生尝试了数百种材料，失败了数千次，才发现碳化棉线在白炽灯泡中燃烧得又长又亮。传统实验通常很耗时且费用昂贵。

在开发将彻底改变现代电子和计算的量子材料时，费用和时间呈指数级增长。

为了使量子材料的发现成为可能，来自太平洋西北国家实验室 (PNNL) 研究人员将详细的数据库作为他们的虚拟实验室。研究人员创建了一个新的未被充分研究的量子材料数据库，为发现新材料提供了一条途径。

该研究以「An open database of computed bulk ternary transition metal dichalcogenides」为题，发布在《Scientific Data》上。

超越爱迪生式的试错

材料科学家 Tim Pope 说：「我们想了解一类具有相同晶体结构的材料，但其性质根据组合和生长方式不同而具有不同特性。」 这类材料被称为过渡金属二硫化物 (TMD)，包含数千种可能组合，每种组合都需要长达数周的反应才能生长出闪光大小的材料薄片。

图示：所研究的 TMD 的结构和组成细节。（来源：论文）

制造这种材料只是了解它能做什么的第一步。正如 PNNL 计算科学家 Micah Prange 所说，每个薄片都「非常小，非常精致」，只有在超低温下研究时才会出现量子特征。从本质上讲，「一个完整的研究计划可以进入每个薄片。」

尽管创建和测量它们很困难，但每种组合都有望显著改善电子产品、电池、污染修复和量子计算设备。

Prange 说，你可以将这些薄片视为「具有更丰富的现象学、更多实际可能性、更奇特的石墨烯」。石墨烯坚韧、轻便、灵活，被誉为未来材料，用途广泛，从航空航天到可穿戴电子产品。

Pope 说:「这类材料的各种特性意味着，随着我们对它们的了解越来越深入，我们可以选择一种组合来获得所需的特性，并与理想的用途精确匹配，甚至是一种全新的应用。」

图示：薄片的特写，旁边是其晶体结构图像，上面覆盖了模型预测的晶体结构。（来源：PNNL）

未来的量子材料发展

建立数据库始于 PNNL 的化学动力学计划，该计划旨在利用 PNNL 在数据科学方面的优势来填补测量挑战和实验限制留下的知识空白。

这些特殊的量子材料由不同比例的 38 种过渡金属（如钨或钒）与硫族中的三种元素（S，Se 和 Te）结合而成。它们还可以以三种不同的晶体结构生长，这意味着有数千种潜在的组合，所有这些都具有不同的特性。

研究人员使用密度泛函理论模型，计算了 672 种独特结构的特性，总共有 50,337 种单独的原子构型。在这项研究之前，研究的构型不到 40 种，对它们的特性只有初步的了解。

「模型可以计算出原子排列方式的量子力学，」Prange 说。「由此，你可以说这种材料是否会导电或透明，或者这种材料压缩或弯曲的难度有多大。」

PNNL 的研究人员使用该数据库揭示了不同组合之间的电学和磁学行为的显著差异。重要的是，研究人员还发现了其他趋势，因为他们改变了过渡金属，包括在量子水平上对过渡金属化学的新理解。

图示：模拟工作流程。方法为蓝色，输出为灰色，数据产品为橙色。（来源：论文）

机器学习 的量子组合

「当晶体结构与数据库重叠时，它完美匹配，」Pope 谈到 PNNL 生长的薄片，开始验证建模结果时说。

「我们的想法实际上是开发一个理论模拟的大数据集，这样我们就可以使用数据分析来理解这些材料，」Prange 说。「该项目的直接价值在于，我们做了足够多的不同案例以有效地使用机器学习。」

该开源数据集为研究人员探索初始结构和相应属性之间的关系提供了一个强有力的起点。有了这些信息，他们就可以选择特定的材料进行学习。

CDI 首席科学家 Peter Sushko 说：「这个项目是我们如何使用大型计算数据集来指导实验研究的一个例子，像这样的项目为机器学习社区提供了关键数据，并可以简化材料开发。想想下一步需要了解什么才能使这些材料的合成具有原子精度，这是令人兴奋的。」

数据库地址：https://doi.org/10.6084/m9.figshare.21308157
论文链接：https://www.nature.com/articles/s41597-023-02103-4
参考内容：https://phys.org/news/2023-06-virtual-laboratory-possibility-machine-class.html