Neuartige, auf maschinellem Lernen basierende Clusteranalysemethode, die die Eigenschaften des Zielmaterials nutzt

In der Materialwissenschaft werden Stoffe häufig anhand von bestimmenden Faktoren wie ihrer Elementzusammensetzung oder Kristallstruktur klassifiziert. Diese Klassifizierung ist für Fortschritte in der Materialforschung von entscheidender Bedeutung, da sie es Forschern ermöglicht, vielversprechende Materialklassen zu identifizieren und neue mit ähnlichen Funktionen und Eigenschaften zu erforschen.

Ein kürzlich Fortschrittliche intelligente Systeme Eine von Forscher Nobuya Sato und Assistenzprofessor Akira Takahashi vom Tokyo Institute of Technology geleitete Studie entwickelte eine neue Clustering-Technik auf Basis maschinellen Lernens. Diese Technik gruppiert ähnliche Materialien, indem sie sowohl ihre grundlegenden Merkmale als auch ihre Zieleigenschaften berücksichtigt.

Fortschritte im maschinellen Lernen haben den Klassifizierungsprozess deutlich weniger mühsam gemacht und zudem effiziente Möglichkeiten eröffnet, Materialien mit interessanten Eigenschaften auf der Grundlage grundlegender Merkmale chemischer Zusammensetzungen und Kristallstrukturen vorherzusagen. Die Clusteranalyse, eine häufig verwendete Technik des maschinellen Lernens, nutzt diese grundlegenden Merkmale nicht nur, um Materialien zu kategorisieren und Ähnlichkeiten zwischen ihnen zusammenzufassen, sondern liefert auch Informationen über die Beziehungen zwischen Materialien, die derselben Gruppe angehören.

Dies stellt zwar einen deutlichen Fortschritt bei der Entdeckung neuer Materialien mit einzigartigen Funktionalitäten dar, doch berücksichtigen herkömmliche Clustering-Techniken häufig nicht die Eigenschaften des Zielmaterials, wie etwa Bandlücken und Dielektrizitätskonstanten, die mit diesen grundlegenden Merkmalen in Zusammenhang stehen.

Aber warum ist es wichtig, Zieleigenschaften in die Clusteranalyse von Materialien einzubeziehen?

Takahashi erläutert: „Wenn wir versuchen, Halbleiter nach der Breite der Bandlücke zu kategorisieren und die chemischen Eigenschaften der jeweiligen Kategorien zu untersuchen, würde eine Analyse nur anhand der Zieleigenschaft kein vollständiges Bild liefern. Eine Clusterung anhand der Bandlücke kann Materialien in einem Cluster zusammenfassen, in dem einige Lücken durch die Elektronegativität bestimmt werden, während andere durch für die Kovalenz relevante Merkmale bestimmt werden.

„Umgekehrt kann es sein, dass sich Materialien, die hinsichtlich der interessierenden Eigenschaft ähnlich sind, nicht gruppieren lassen, wenn nur grundlegende Merkmale verwendet werden. Daher benötigen wir einen Ansatz, der die Beziehung zwischen grundlegenden Merkmalen und Zieleigenschaften berücksichtigt.“

Um die gleichzeitige Einbeziehung grundlegender Merkmale und Zieleigenschaften sicherzustellen, gaben die Forscher letztere Informationen mithilfe der Random-Forest-Regression (RF) in das Clustermodell ein – einem überwachten Lernalgorithmus, der die Beziehung zwischen den Ein- und Ausgaben lernt, um sich selbst zu verbessern. Die Forscher trainierten das RF-Regressionsmodell, um eine bestimmte Zieleigenschaft vorherzusagen.

Anschließend wurden die Basismerkmale in Z-Vektoren umgewandelt – Informationen, die auf den vom RF-Modell zurückgelegten Pfaden basieren. Abschließend wurde für die umgewandelten Z-Vektoren eine Clusteranalyse durchgeführt.

Dies ermöglichte es den Forschern, mehr als 1.000 Oxide anhand ihrer grundlegenden Merkmale wie Zusammensetzung und Kristallstruktur sowie Zieleigenschaften wie Bildungsenergie, Bandlücke und elektronische Dielektrizitätskonstante in Materialgruppen zu kategorisieren. Während sich diese Studie nur auf Fälle mit einer einzigen Zieleigenschaft konzentrierte, schlagen die Forscher vor, dass diese neue Technik erweitert werden könnte, um Material anhand mehrerer Zieleigenschaften zu gruppieren.

„Unsere Methode bietet einen einzigartigen Blickwinkel für die Clusterbildung, der das Verständnis und Lernen aus der Beziehung zwischen der Zieleigenschaft und den grundlegenden Merkmalen betont. Dadurch werden unerwartete, vielversprechende Materialgruppen und Schlüsselfaktoren für die gewünschte Materialfunktion bereitgestellt und die Entdeckung neuer Materialien mit faszinierenden Eigenschaften beschleunigt“, so Takahashi abschließend.