Miljoonan atomin sähköinen vaste

30.06.2025

Harvard-mallinnus-miljoona-atomia-kerrallaan-300-t.jpgHarvardin John A. Paulsonin teknillisen ja sovelletun tieteen koulun (SEAS) tutkijat ovat kehittäneet koneoppimiskehyksen, joka pystyy ennustamaan kvanttitason tarkkuudella, miten materiaalit reagoivat sähkökenttiin jopa miljoonan atomin mittakaavassa.

Saavutus nopeuttaa huomattavasti simulaatioita kvanttimekaanisia menetelmiä pidemmälle, jotka voivat mallintaa vain muutamia satoja atomeja kerrallaan.

Työ antaa tiedemiehille ja insinööreille mahdollisuuden tehdä erittäin tarkkoja ja laajamittaisia simulaatioita eri materiaalien reaktioista moniin ulkoisiin ärsykkeisiin, joilla voi olla merkittäviä vaikutuksia edistyneeseen materiaalisuunnitteluun tai energiateknologioihin.

Yli 30 vuoden ajan ensisijainen menetelmä atomien ja molekyylien ominaisuuksien ja käyttäytymisen simulointiin on ollut tiheysfunktionaaliteoria, fysiikkaan perustuva ja erittäin tarkka kvanttimekaanisten yhtälöiden joukko, mutta laskennallisesti intensiivinen ja siten rajoitettu vain pienempiin järjestelmiin.

Viime vuosina koneoppiminen on vahvistanut materiaalien kvanttikäyttäytymisen tutkimista suuremmissa kokoluokissa ja pidemmillä aikaskaaloilla säilyttäen samalla tiheysfunktionaaliteorian tarkkuuden, mutta ulkoisiin ärsykkeisiin liittyvien vasteiden mallintaminen on edelleen haasteellista. Tämä johtuu siitä, että nykyiset koneoppimismenetelmät usein jättävät huomiotta sekä energeettisiin että sähköisiin ominaisuuksiin liittyvät fysikaaliset symmetriat ja säilymislait, mikä johtaa epätarkkuuksiin ominaisuusennusteissa.

Näiden ongelmien ratkaisemiseksi kirjoittajat kehittivät koneoppimismenetelmän, joka yhdistää erilliset kvanttifunktionaalikäyttäytymiset, kuten energian ja polarisaation, yhdeksi yleistetyksi potentiaalienergiafunktioksi. Käyttämällä tiheysfunktionaaliteorian laskelmia koulutus- ja validointidatana malli ottaa huomioon ulkoisten kenttien vaikutukset ja varmistaa oikean fysiikan.

Ulkoisten häiriöiden vuorovaikutusten ymmärtäminen on olennaista esimerkiksi uusien ferrosähköisten materiaalien ja dielektristen materiaalien löytämiseksi, joita voitaisiin käyttää sovelluksissa, kuten pysyväismuistissa, kondensaattoreissa ja energian varastointilaitteissa.

”Jos käytät fysiikkaan perustuvia menetelmiä, jotka ratkaisevat kvanttimekaanisia yhtälöitä, voit mennä vain muutamaan sataan atomiin”, toteaa tutkimusta johtanut professori Stefano Falletta. ”Kun taas näillä koneoppimismenetelmillä voit skaalata käytännössä satoihin tuhansiin atomeihin tai jopa miljoonaan.”

He todistivat menetelmänsä simuloimalla piidioksidin infrapunan ja sähköisiä ominaisuuksia sekä lämpötilasta riippuvaa ferroelektristä kytkentää bariumtitanaatissa.

”Laskennallisen materiaalien löytämisen ala on siirtymässä kohti parempia teorioita, parempia koneoppimismalleja, parempaa infrastruktuuria, suurempia klustereita, nopeampia näytönohjaimia ja parempia generatiivisia malleja – kaikki tämä tavallaan yhdistyy”, Falletta sanoi. ”Se on ehdottomasti erittäin jännittävää.”

Aiheesta aiemmin:

Kymmenientuhansien elektronien reaaliaikainen simulointi

Tarkkailla nesteiden ultranopeaa sähkövarausta

Kvanttisimulaattori auttaa löytämään materiaaleja

18.07.2025Uusi biosensori valaisee kasvin RNA:ta reaaliajassa
17.07.2025OLED-näyttöjen kehitysnäkymiä
16.07.2025Avaus pienen energiankäytön elektroniikalle
16.07.2025Yhden sirun mikroaaltofotoniikan järjestelmä
15.07.2025Uusi materiaali emittoi paremmin kuin se absorboi
15.07.2025Miksi aurinko on niin hyvä haihduttamaan vettä
14.07.2025Metallin tavoin johtavia MOFeja
12.07.2025Polttokenno vakauttaa sähköverkkoa tuottamalla ja varastoimalla energiaa
11.07.2025Kubittimaailman millikelvineitä ja millisekunteja
11.07.2025Varatut pisarat voivat osua pintaan ilman roiskeita

Siirry arkistoon »