Es ist bekannt, dass Thomas Edison Hunderte von Materialien ausprobierte und tausende Male scheiterte, bevor er entdeckte, dass karbonisierte Baumwollfäden in einer Glühbirne lange und hell brannten. Experimente sind oft zeitaufwändig (Edisons Team verbrachte 14 Monate) und teuer (die Gewinnkombination kostete nach heutigem Stand etwa 850.000 US-Dollar).
Bei der Entwicklung der Quantenmaterialien, die die moderne Elektronik und Informatik revolutionieren werden, steigen die Kosten und der Zeitaufwand exponentiell.
Um die Entdeckung von Quantenmaterialien zu ermöglichen, greifen Forscher auf detaillierte Datenbanken als virtuelles Labor zurück. Eine neue Datenbank unerforschter Quantenmaterialien, die von Forschern des Pacific Northwest National Laboratory (PNNL) erstellt wurde, bietet eine Möglichkeit, neue Materialien zu entdecken, die Geräte mit Strom versorgen könnten, die weitaus leistungsstärker sind als Edisons Glühbirne.
Jenseits von Edisons Versuch und Irrtum
„Wir wollten eine allgemeine Klasse von Materialien verstehen, die die gleiche Kristallstruktur, aber unterschiedliche Eigenschaften haben, je nachdem, wie man sie kombiniert und wachsen lässt“, sagte der Materialwissenschaftler Tim Pope. Diese als Übergangsmetalldichalkogenide (TMDs) bekannte Materialklasse enthält Tausende möglicher Kombinationen, von denen jede eine wochenlange Reaktion erfordert, um Materialflocken in der Größe von Glitzer zu bilden.
Die Herstellung des Materials ist nur der erste Schritt, um zu verstehen, was es leisten kann. Wie der PNNL-Informatiker Micah Prange sagte, ist jede Flocke „wirklich klein, sehr empfindlich“ und Quantenmerkmale treten nur dann zum Vorschein, wenn sie bei extrem niedrigen Temperaturen untersucht werden. Im Wesentlichen könnte „in jede Flocke ein ganzes Forschungsprogramm fließen“.
Trotz der Schwierigkeit, sie zu erstellen und zu messen, verspricht jede Kombination eine dramatische Verbesserung von Elektronik, Batterien, Schadstoffsanierung und Quantencomputergeräten.
]Prange sagte, man könne sich die Flocken als „ausgefalleneres Graphen mit einer reichhaltigeren Phänomenologie und mehr praktischen Möglichkeiten“ vorstellen. Graphen ist robust, leicht und flexibel und gilt als das Material der Zukunft mit Einsatzmöglichkeiten in allen Bereichen, von der Luft- und Raumfahrt bis hin zu tragbaren Elektronikgeräten.
„Die unterschiedlichen Eigenschaften dieser Materialklasse bedeuten, dass, wenn wir sie besser verstehen, eine der Kombinationen für eine gewünschte Eigenschaft ausgewählt und genau auf die ideale Verwendung abgestimmt werden könnte“, sagte Pope, „oder sogar eine völlig neue Anwendung.“
Quantenmaterialentwicklung der Zukunft
Der Aufbau der Datenbank begann mit der Chemical Dynamics Initiative von PNNL, einem Versuch, die Stärke von PNNL in der Datenwissenschaft zu nutzen, um Wissenslücken zu schließen, die durch messtechnische Herausforderungen und experimentelle Einschränkungen entstanden sind.
Diese besonderen Quantenmaterialien bestehen aus unterschiedlichen Anteilen der 38 Übergangsmetalle wie Wolfram oder Vanadium in Kombination mit drei Elementen der Schwefelfamilie. Sie können auch in drei verschiedenen Kristallstrukturen gezüchtet werden, was bedeutet, dass es Tausende möglicher Kombinationen gibt, alle mit unterschiedlichen Eigenschaften.
Mithilfe einer Modellierungsart namens Dichtefunktionaltheorie berechneten die Forscher die Eigenschaften von 672 einzigartigen Strukturen mit insgesamt 50.337 einzelnen Atomkonfigurationen. Vor dieser Forschung gab es weniger als 40 untersuchte Konfigurationen, deren Eigenschaften nur rudimentär verstanden wurden.
„Modelle können die Quantenmechanik der Anordnung von Atomen aufklären“, sagte Prange. „Daraus lässt sich ableiten, ob das Material Strom leitet oder transparent ist oder wie schwer es ist, das Material zu komprimieren oder zu biegen.“
Mithilfe der Datenbank deckten die Forscher von PNNL auffällige Unterschiede im elektrischen und magnetischen Verhalten verschiedener Kombinationen auf. Wichtig ist, dass die Forscher bei der Variation des Übergangsmetalls auch andere Trends entdeckten, darunter ein neues Verständnis der Übergangsmetallchemie auf Quantenebene.
Quantenkombinationen für maschinelles Lernen
„Als die Kristallstruktur mit der Datenbank überlagert wurde, stimmte sie perfekt überein“, sagte Pope und sprach von den PNNL-gewachsenen Flocken, die beginnen, die Modellierungsergebnisse zu validieren.
„Die Idee bestand eigentlich darin, einen großen Datensatz theoretischer Simulationen zu entwickeln, damit wir Datenanalysen nutzen können, um diese Materialien zu verstehen“, sagte Prange. „Der unmittelbare Wert des Projekts besteht darin, dass wir genügend verschiedene Fälle untersucht haben, um maschinelles Lernen effizient zu nutzen.“
Der Open-Source-Datensatz, veröffentlicht in Wissenschaftliche Datenbietet Forschern einen guten Ausgangspunkt für die Erforschung der Beziehungen zwischen Ausgangsstrukturen und entsprechenden Eigenschaften. Mit diesen Informationen können sie bestimmte Materialien zum Studium auswählen.
„Dieses Projekt ist ein Beispiel dafür, wie wir einen großen Computerdatensatz als Leitfaden für die experimentelle Forschung nutzen können“, sagte CDI-Chefwissenschaftler Peter Sushko. „Projekte wie dieses liefern wichtige Daten für die Gemeinschaft des maschinellen Lernens und könnten die Materialentwicklung rationalisieren. Es ist spannend.“ darüber nachzudenken, was als nächstes verstanden werden muss, um die Synthese dieser Materialien mit atomarer Präzision zu ermöglichen.“
Mehr Informationen:
Scott E. Muller et al., Eine offene Datenbank berechneter ternärer Übergangsmetalldichalkogenide in großen Mengen, Wissenschaftliche Daten (2023). DOI: 10.1038/s41597-023-02103-4