Materiaalien kehittelyä koneoppisella

Oak Ridge National Laboratoryn kemistit ovat koneoppimisen ohjaamana suunnitteet ennätysmäisen hiilipitoisen superkondensaattorimateriaalin, joka varastoi neljä kertaa enemmän energiaa kuin paras kaupallinen materiaali.

Uudesta materiaalista valmistettu superkondensaattori voisi varastoida enemmän energiaa - parantaa regeneratiivisia jarruja, tehoelektroniikkaa ja apuvirtalähteitä.

"Yhdistämällä dataan perustuvan menetelmän ja tutkimuskokemuksemme loimme hiilimateriaalin, jolla on parannetut fysikaalis-kemialliset ja sähkökemialliset ominaisuudet, mikä nosti hiilisuperkondensaattorien energian varastoinnin rajaa uudelle tasolle", sanoo kemisti Tao Wang ORNL:stä ja Tennesseen yliopistosta.

Tekoälymenetelmät ohjaavat tutkijoita kehittämään myös parempia valmistusprosesseja erittäin tehokkaille aurinkokennoille.

Perovskiittisiin puolijohteisiin perustuvat tandem-aurinkokennot muuttavat auringonvalon sähköksi tehokkaammin kuin perinteiset piiaurinkokennot. Jotta tämä tekniikka olisi valmis markkinoille, tarvitaan lisäparannuksia vakauteen ja valmistusprosesseihin.

Karlsruhen teknillisen korkeakoulun (KIT) sekä Helmholtz Imagingin (DKFZ) ja Helmholtz AI:n tutkijat ovat onnistuneet löytämään tavan ennustaa perovskiittikerrosten ja siten myös tuloksena olevien kerrosten aurinkokennojen laatua. Koneoppimisen ja tekoälyn (AI) uusien menetelmien avulla on mahdollista arvioida niiden laatua valoemissioiden vaihteluiden tapahtumista jo valmistusprosessin aikana.

Singaporen kansallisen yliopiston (NUS) fyysikot ovat kehittäneet konseptin, jolla indusoidaan ja mitataan suoraan spinien jakautuminen kaksiulotteisissa materiaaleissa.

Spinien jakautuminen johtaa olennaiseen eroon varauksenkuljettajien tiheydessä ja aiheuttaa spin-polarisoidun virran muodostumisen. Kyky virittää virran spinpolarisaatiota tehokkaasti muodostaa perustan täysin sähköisten spin-kenttätransistoreiden toteuttamiselle, mikä avaa uuden aikakauden alhaisen virrankulutuksen erittäin nopealle elektroniikalle.

Työssään tutkijat käyttivät myös koneoppimista sovittaakseen kokeellisen datansa fenomenologiseen malliin, joka tarjoaa syvemmän ymmärryksen spinjakoenergian viritettävyydestä.

Tutkijoiden mukaan työ osoittaa tekoälyn käytännön hyödyn materiaalitieteessä. Erityisesti 2D-magneettien ja pinoamisen aiheuttama magnetismi van der Waalsin heterorakenteissa on ollut viime aikoina suuren kiinnostuksen kohteena ja uskommekin että tuloksiamme voidaan laajentaa useisiin muihin 2D-magneettijärjestelmiin.

Aiheesta aiemmin:

Perinteiset tietokoneet ratkovat kvanttiongelmia

Tekoälyn voimaa

Konenäölle nyt myös konesilmät