Artificiell intelligens, AI, kan lära sig en mängd komplicerade saker, till exempel att känna igen mänskliga ansikten eller att bli skickligare på schackspel än en människa. På liknande sätt kan AI tränas för att få en förståelse för avancerad kvantmekanik. Forskare vid Linköpings universitet har i samarbete med forskare vid University of Basel i Schweiz använt maskininlärning för att förutsäga egenskaper i teoretiska material.
– Många framtidsteknologier för exempelvis energianvändning hänger på att vi hittar bättre material. Med den här tillämpningen av AI kan man titta på väldigt mycket fler material på kortare tid, säger Rickard Armiento, forskare i teoretisk fysik vid LiU och en av forskarna bakom studien.
Forskarna har utgått från mineralen elpasolit (som fått sitt namn av att den först upptäcktes i El Paso i USA). Elpasolit är ett mineral uppbyggt av fyra grundämnen, aluminium, natrium, kalium och fluor, som är ordnade på ett speciellt sätt i en kristallstruktur. Namnet kan också användas i en bredare bemärkelse, elpasoliter, och syftar då på ämnen som har samma kristallstruktur, men där atomerna är utbytta mot andra grundämnen. Frågan är vilka egenskaper dessa andra elpasoliter får.
Sekundsnabba förutsägelser
Vanligen använder forskare superdatorer som beräknar kvantmekaniska ekvationer för att förutsäga vad som händer när atomerna byts ut. I den aktuella studien kombinerade forskarna sådana beräkningar med metoder inom maskininlärning. Beräkningar för tiotusentals elpasoliter användes för att träna ett AI-system att förstå hur materialegenskaper förändras när atomer ersätts mot andra.
– Resultatet blir att vi får ett AI-system som mikrosekundsnabbt kan få fram förutsägelser om nya elpasoliter utan att vi behöver göra fler beräkningar. Vi använde systemet för att göra förutsägelser för alla de runt två miljoner kombinationer som man kan göra i elpasolit, säger Rickard Armiento.
Att få fram samma resultat i en superdator skulle enligt forskargruppen ta 20 miljoner timmar.
Precis som med andra AI-system så är inte förutsägelserna av materialegenskaper exakta. I ett första steg tog systemet fram några tusen kombinationer. Av dessa kunde 90 stycken tidigare okända material bekräftas med kontrollberäkningar i en superdator. Att med hjälp av AI reducera två miljoner beräkningar till några tusen ger en stor tidsvinst som gör tillvägagångssättet praktiskt användbart, menar Rickard Armiento.
– Det här gör det möjligt att med samma superdatortid titta på väldigt mycket fler material. Det ökar möjligheten att vi hittar material för framtida teknik, till exempel inom nya solcellsteknologier, batterimaterial eller termoelektriska material.
Forskarna har laddat upp de 90 nya teoretiska materialen i materialdatabasen Materials Project, där de finns tillgängliga för andra forskare som vill hitta material med specifika egenskaper. Studien har publicerats i den vetenskapliga tidskriften Physical Review Letters.
Länk till artikeln: Machine Learning Energies of 2M Elpasolite (ABC2D6) Crystals, Felix Faber, Alexander Lindmaa, O. Anatole von Lilienfeld, Rickard Armiento, Physical Review Letters (2016), 113(19), publicerad 23 september 2016, doi:10.1103/PhysRevLett.117.135502
