Ein Forscherteam unter der Leitung von Trevor David Rhone vom Rensselaer Polytechnic Institute, Assistenzprofessor am Fachbereich Physik, Angewandte Physik und Astronomie, hat mithilfe modernster Werkzeuge der künstlichen Intelligenz (KI) neuartige Van-der-Waals-Magnete (vdW) identifiziert. Insbesondere identifizierte das Team mithilfe von halbüberwachtem Lernen Übergangsmetallhalogenid-VDW-Materialien mit großen magnetischen Momenten, von denen vorhergesagt wird, dass sie chemisch stabil sind.
Diese zweidimensionalen (2D) vdW-Magnete haben potenzielle Anwendungen in der Datenspeicherung, Spintronik und sogar im Quantencomputing.
Rhone ist darauf spezialisiert, die Materialinformatik zu nutzen, um neue Materialien mit unerwarteten Eigenschaften zu entdecken, die Wissenschaft und Technologie voranbringen. Die Materialinformatik ist ein aufstrebendes Studiengebiet an der Schnittstelle von KI und Materialwissenschaften. Die neuesten Forschungsergebnisse seines Teams wurden kürzlich auf dem Cover von vorgestellt Fortgeschrittene Theorie und Simulationen.
2D-Materialien, die so dünn wie ein einzelnes Atom sein können, wurden erst 2004 entdeckt und erregten aufgrund ihrer unerwarteten Eigenschaften großes wissenschaftliches Interesse. 2D-Magnete sind von Bedeutung, weil ihre magnetische Fernordnung erhalten bleibt, wenn sie auf eine oder wenige Schichten reduziert werden. Dies liegt an der magnetischen Anisotropie.
Das Zusammenspiel mit dieser magnetischen Anisotropie und der geringen Dimensionalität könnte zu exotischen Spinfreiheitsgraden führen, etwa Spintexturen, die bei der Entwicklung von Quantencomputerarchitekturen verwendet werden können. 2D-Magnete decken zudem das gesamte Spektrum elektronischer Eigenschaften ab und können in leistungsstarken und energieeffizienten Geräten eingesetzt werden.
Rhone und sein Team kombinierten DFT-Berechnungen (High-Throughput Density Functional Theory) zur Bestimmung der Eigenschaften der vdW-Materialien mit KI, um eine Form des maschinellen Lernens namens semi-überwachtes Lernen zu implementieren. Beim halbüberwachten Lernen wird eine Kombination aus gekennzeichneten und unbeschrifteten Daten verwendet, um Muster in Daten zu erkennen und Vorhersagen zu treffen. Halbüberwachtes Lernen entschärft eine große Herausforderung beim maschinellen Lernen – die Knappheit gekennzeichneter Daten.
„Der Einsatz von KI spart Zeit und Geld“, sagte Rhone. „Der typische Materialentdeckungsprozess erfordert teure Simulationen auf einem Supercomputer, die Monate dauern können. Laborexperimente können sogar noch länger dauern und teurer sein. Ein KI-Ansatz hat das Potenzial, den Materialentdeckungsprozess zu beschleunigen.“
Mithilfe einer ersten Teilmenge von 700 DFT-Berechnungen auf einem Supercomputer wurde ein KI-Modell trainiert, das die Eigenschaften vieler Tausend möglicher Materialkandidaten in Millisekunden auf einem Laptop vorhersagen konnte. Anschließend identifizierte das Team vielversprechende vdW-Materialkandidaten mit großen magnetischen Momenten und niedriger Bildungsenergie. Eine niedrige Bildungsenergie ist ein Indikator für die chemische Stabilität, die eine wichtige Voraussetzung für die Synthese des Materials im Labor und anschließende industrielle Anwendungen ist.
„Unser Rahmenwerk lässt sich problemlos auch zur Erforschung von Materialien mit unterschiedlichen Kristallstrukturen anwenden“, sagte Rhone. „Mit diesem Rahmen können auch Prototypen gemischter Kristallstrukturen untersucht werden, beispielsweise ein Datensatz sowohl von Übergangsmetallhalogeniden als auch von Übergangsmetalltrichalkogeniden.“
„Dr. Rhones Anwendung der KI im Bereich der Materialwissenschaften führt weiterhin zu spannenden Ergebnissen“, sagte Curt Breneman, Dekan der Rensselaer School of Science. „Er hat nicht nur unser Verständnis von 2D-Materialien mit neuartigen Eigenschaften beschleunigt, sondern seine Erkenntnisse und Methoden werden wahrscheinlich auch zu neuen Quantencomputertechnologien beitragen.“
Mehr Informationen:
Trevor David Rhone et al., Künstliche Intelligenz geführte Studien zu Van-der-Waals-Magneten, Fortgeschrittene Theorie und Simulationen (2023). DOI: 10.1002/adts.202300019