Gesundheit

Maschinelles lernen verwendet, um schnell zu analysieren Schlüssel-Kondensator Materialien

Kondensatoren, die aufgrund Ihrer hohen Energie und Geschwindigkeit aufladen, könnte spielen eine wichtige Rolle in der Versorgung der Maschinen der Zukunft-von Elektro-Autos, – Handys.

Aber die größte Hürde für diese Energie-Speicher-devices ist, dass Sie speichern deutlich weniger Energie als eine Batterie von gleicher Größe.

Forscher am Georgia Institute of Technology mit, das problem in einer neuen Art und Weise, mit der Maschine zu lernen, um letztlich Wege finden, um zu bauen mehr fähig kondensatoren.

Die Methode, die beschrieben wurde in 18. Februar in der Zeitschrift npj Computational Materials und gesponsert von der US Office of Naval Research, beinhaltet die Lehre eines Computers zu analysieren, auf atomarer Ebene zwei Materialien, aus denen sich einige kondensatoren: Aluminium und Polyethylen.

Die Forscher konzentrierten sich auf einen Weg zu finden, schneller Analyse der elektronischen Struktur dieser Materialien, auf der Suche nach features, die die Leistung beeinträchtigen könnten.

„Die Elektronik-Industrie will, um zu wissen, die elektronischen Eigenschaften und die Struktur von all den Materialien, die Sie verwenden, um Geräte zu produzieren, einschließlich kondensatoren,“ sagte Rampi Ramprasad, ein professor in der School of Materials Science and Engineering.

Nehmen Sie ein material wie Polyethylen: es ist ein sehr guter Isolator mit einer großen Bandlücke-ein Energiebereich verboten elektrischen Ladungsträgern. Aber wenn es einen defekt hat, unerwünschte Ladungsträger sind erlaubt in der Bandlücke, die Verringerung der Effizienz, sagte er.

„Um zu verstehen, wo die Mängel sind und was für eine Rolle Sie spielen, brauchen wir zur Berechnung die gesamte Atomare Struktur, etwas, dass so weit war extrem schwer“, sagt Ramprasad, Inhaberin der Michael E. Tennenbaum Familie Stuhl und die Georgia Research Alliance Eminent Scholar in-Energie-Nachhaltigkeit. „Die aktuelle Methode der Analyse dieser Materialien mit Hilfe der Quanten mechanik so langsam, dass es Grenzen, wie viel Analyse kann durchgeführt werden, zu jeder Zeit.“

Ramprasad und seine Kollegen, die sich bei der Verwendung maschinellen Lernens zur Entwicklung von neuen Materialien, verwendet eine Stichprobe von Daten aus einer Quanten-mechanik-Analyse von Aluminium-und Polyethylen als input für lehren einen leistungsstarken computer, wie um zu simulieren, dass Analyse.

Die Analyse der elektronischen Struktur des Materials mit der Quantenmechanik beinhaltet die Lösung der Kohn-Sham-Gleichung Dichte-funktional-Theorie, die Daten erzeugt, die auf Wellenfunktionen und Energieniveaus. Diese Daten werden dann verwendet, um zu berechnen, die totale potentielle Energie des Systems und atomaren Kräfte.

Mit der neuen machine-learning-Methode erzeugt ähnliche Ergebnisse acht Größenordnungen schneller als mit der herkömmlichen Technik basiert auf der Quantenmechanik.

„Diese beispiellose Beschleunigung, die in der computational-Funktion wird es uns ermöglichen, entwerfen elektronische Materialien, die überlegen sind, was es derzeit gibt“, Ramprasad, sagte. „Im Grunde können wir sagen, ‚Hier sind Mängel, die mit diesem material, das wirklich zu vermindern und die Effizienz der elektronischen Struktur.“ Und wenn wir mal ansprechen können solche Aspekte effizient, können wir besser design von elektronischen Geräten.“

Während die Studie konzentrierte sich auf die Aluminium-und Polyethylen -, machine-learning-könnte verwendet werden, um die Analyse der elektronischen Struktur von einer breiten Palette von Materialien. Über die Analyse der elektronischen Struktur, andere Aspekte der materiellen Struktur nun analysiert werden, indem die Quantenmechanik könnte auch sein, Eilte durch die machine-learning-Ansatz, Ramprasad, sagte.

„Zum Teil wählten wir Aluminium-und Polyethylen-denn Sie sind Bestandteile eines Kondensators, sondern es erlaubt uns auch, zu zeigen, dass Sie können diese Methode verwenden, für unterschiedlichste Materialien, wie Metalle, sind Dirigenten und Polymere sind Isolatoren,“ Ramprasad sagte.

Die schnellere Bearbeitung erlaubt, die von der machine learning-Methode würde auch ermöglichen es Forschern, schnell simulieren, wie sich änderungen an einem material werden Auswirkungen auf Ihre elektronische Struktur, potenziell enthüllt neue Wege, um seine Effizienz zu verbessern.