AI versnelt de ontwikkeling van nieuwe energie- en quantummaterialen met graafneurale netwerken

AmsterdamOnderzoekers van de Tohoku Universiteit en het MIT hebben een AI-hulpmiddel ontwikkeld dat snel de optische eigenschappen van materialen kan bepalen. Dit hulpmiddel kan de ontwikkeling van materialen voor zonne-energie en opto-elektronica aanzienlijk verbeteren. Normaal gesproken is het vaststellen van deze eigenschappen een traag en complex proces, maar dit AI-model versnelt het door de kristalstructuur van een materiaal te analyseren op basis van principes zoals de Kramers-Krönig-relatie.

Het bestuderen van de interactie tussen materialen en licht is cruciaal, omdat dit de effectiviteit van veel technologieën beïnvloedt.

• LED-verlichting
• Zonnecellen
• Fotodetectoren
• Geïntegreerde fotonica circuits

De halfgeleiderindustrie kan veel voordeel halen uit het gebruik van dit hulpmiddel in een tijd van groei. Momenteel worden ingewikkelde kwantumsimulaties toegepast, die veel rekenkracht vereisen. Door inzet van AI kunnen onderzoekers de beperkingen van traditionele methoden overwinnen en vergelijkbare resultaten veel sneller behalen. Deze innovatieve aanpak maakt gebruik van grafische neurale netwerken (GNNs) waarbij atomen en verbindingen als onderdelen van een grafiek worden voorgesteld.

Lees ook:

Vandaag · 00:15

Nieuw onderzoek: UroBot verslaat ervaren urologen in nauwkeurigheid dankzij geavanceerde AI-technologie

Een uitdaging bij het gebruik van Graph Neural Networks (GNN's) is dat ze niet goed presteren bij alle kristalstructuren. Onderzoekers hebben een universele ensemble-embedmethode ontwikkeld om dit probleem op te lossen. Deze aanpak combineert verschillende modellen om de nauwkeurigheid van voorspellingen te verbeteren zonder de neurale netwerken zelf aan te passen. Dit biedt veelbelovende mogelijkheden voor vooruitgang in datawetenschap.

Deze nieuwe methode kan aan bestaande machineleersystemen worden toegevoegd om optische eigenschappen nauwkeurig te voorspellen. Deze mogelijkheid is nuttig voor het controleren van materialen voor zonnecellen en het ontdekken van kwantummaterialen. Het potentieel van de methode reikt verder dan optische eigenschappen. Toekomstig onderzoek streeft ernaar databases te ontwikkelen voor andere materiaaleigenschappen, zoals mechanische en magnetische kenmerken.

Deze nieuwe ontwikkeling kan hernieuwbare energiebronnen, zoals zonne-energie, efficiënter maken. Door de tijdsduur om nieuwe materialen te ontdekken te verkorten, versnelt de AI-tool wetenschappelijk onderzoek en praktische technologische verbeteringen. De eenvoudige integratie in bestaande systemen benadrukt het potentieel om de studie van materiaalkunde te transformeren.