利用机器学习创造节能电子产品
USC Viterbi研究人员开发了一种神经网络，可以使用机器学习(ML)技术对高性能新材料进行建模。
材料研究人员南加州大学维特比工程学院开发了一种新的机器学习框架，以前所未有的规模研究光如何控制材料。了解材料光控制的典型模拟通常只能模拟几百个原子，即使有最先进的计算资源，这严重限制了它们的应用。通过利用机器学习的力量，南加州大学维特比分校的研究人员能够对超过10亿个原子的材料进行光控制模拟，比传统方法高1000万倍。
研究小组使用他们的机器学习模型对钛酸铅的光控制进行了大规模模拟，钛酸铅是一类特殊的材料，被称为铁电材料，具有固有的电子极化。极化可以被认为是材料中的箭头图案，可以通过拉伸、加热和电力来控制，这使得材料非常适合用于传感器、能量存储和存储器。该研究由化学工程和材料科学高级讲师kenichi Nomura，化学工程和材料科学教授Priya Vashishta，计算机科学教授Aiichiro Nakano，物理学教授Rajiv Kalia和博士生Thomas Linker及其合著者最近发表在科学的进步。
研究人员托马斯·林克(Thomas Linker)表示，这个小蓝盒子是目前能够用标准量子模拟方法模拟的系统大小，而整个盒子的大小大约是研究团队的神经网络所能模拟的规模。由USC维特比提供
研究人员检查了钛酸铅材料的电子极化对光的反应。最近，这种材料越来越受欢迎，因为它允许研究人员在其电子极化中创建复杂的涡状图案。当我们想到漩涡时，我们可能会想象一个混乱的、旋转的物质或能量团;然而，这些类型的结构已经被发现在这些材料中非常稳定和高效，这就是为什么它们目前正在被研究用于下一代能量存储和记忆应用。南加州大学维特比分校的研究人员想要了解这些复杂的图案是否可以用光来控制。
林克说:“我们想用高度精确的模拟方法来观察这些大规模的结构，这种方法使用了量子力学之类的东西。”“但这真的很困难，而且非常昂贵，所以我们开发了一个多尺度框架，在这个框架中，我们训练机器学习模型来学习光物质相互作用的更简单表示。因此，我们可以更快地进行模拟。”
野村说:“如果没有机器学习，就不可能设计出这种模拟。”“通过训练机器学习模型来学习材料对强激光的反应，我们可以在超级计算机上进行模拟。”
南加州大学维特比分校的研究人员创造了一种新的机器学习模型，用于研究光如何使钛酸铅等材料极化成涡状偏振模式，从而大大提高材料的节能性能。由USC维特比提供
通过他们的框架，研究人员发现了一种新型的相，这种相是由钛酸铅中的光物质相互作用引起的。野村说:“如果我们发射激光，我们可以在极化中创造出一种与原始涡旋模式在拓扑结构上不同的弦模式。”
研究小组表示，他们的机器学习框架为探索材料的光控制提供了一个令人兴奋的新途径，这在以前是不可能的。
-编辑自南加州大学维特比工程CFE媒体与技术发布。
您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。
