به گزارش ایسنا، طراحی و توسعه مواد جدید با خواص عالی، نیاز به تجزیه و تحلیل جامع از ساختارهای اتمی و الکترونیکی آن‌ها دارد. پارامترهای انرژی الکترون، مانند پتانسیل یونیزاسیون (IP)، یعنی انرژی مورد نیاز برای حذف یک الکترون از لایه ظرفیت، و الکترون‌دوستی (EA)، یعنی میزان انرژی آزاد شده پس از اتصال یک الکترون به باند هدایت، مهم هستند. تخمین دقیق IPs و EAs در مواد غیر فلزی می‌تواند کاربرد آن‌ها را برای استفاده به عنوان سطوح و رابط‌های عملکردی در تجهیزات حساس و دستگاه‌های نوری نشان دهد.
علاوه بر این IPs و EAs به طور قابل توجهی به ساختارهای سطح بستگی دارند. روش‌های رایج برای محاسبه IPs و EAs به گونه‌ای است که به بررسی سیستم سطح و ماده به شکل توده‌ای وابسته است. فرآیند محاسبه به این صورت، بسیار وقت‌گیر بوده و مانع از محاسبه IPs و EAs برای بسیاری از سطوح می‌شود.
برای حل این مشکل تیمی از دانشمندان موسسه فناوری توکیو، به رهبری فومیاسو اوبا، تمرکز خود را روی یادگیری ماشینی گذاشتند.
به گفته پروفسور اوبا در سال‌های اخیر، یادگیری ماشینی در تحقیقات علوم مواد مورد توجه بسیاری قرار گرفته است. توانایی آموزش از روی مجموعه داده‌های بزرگ با استفاده از محاسبات نظری دقیق، امکان پیش‌بینی موفقیت‌آمیز ویژگی‌های مهم سطح و پیامدهای عملکردی آن‌ها را فراهم می‌کند.
محققان از یک شبکه عصبی مصنوعی برای تهیه یک مدل رگرسیون استفاده کردند. مدل آن‌ها با استفاده از اطلاعات مربوط به ساختارهای کریستالی ماده به صورت فله‌ای توانست میزان انرژی IPs و EAs را برای اکسیدهای دوتایی روی سطح به صورت دقیق و کارآمد پیش‌بینی کند.
علاوه بر این، مدل پیش‌بینی مبتنی بر یادگیری ماشینی می‌تواند چیزهایی را یادبگیرد و آن‌ها را برای اهداف بعدی به کار ببرد. در واقع این مدل قادر است چیزهایی را که یاد گرفته برای مجموعه داده‌های جدیدتر نیز به کار ببرد. محققان از این ویژگی برای محاسبه IPs و EAs برای سیستم‌های اکسید سه تایی روی سطح استفاده کردند. این مدل توانست یادگیری خود را برای سیستم‌های دوتایی، در سیستم سه تایی نیز استفاده نماید.
پروفسور اوبا می‌گوید: «مدل ما به پیش بینی خواص اکسیدها در سطح محدود نمی‌شود و می‌تواند برای مطالعه سایر ترکیبات و خصوصیات آن‌ها نیزاستفاده شود.»
انتهای پیام
