Estás leyendo la publicación: Investigadores del MIT han desarrollado un nuevo enfoque basado en el aprendizaje automático con una precisión del 90 por ciento para evaluar los materiales candidatos si son topológicos para…
Los materiales topológicos son un tipo especial de material que tiene diferentes propiedades funcionales en sus superficies que en sus interiores. Una de estas propiedades es eléctrica. Estos materiales tienen el potencial de hacer que los dispositivos electrónicos y ópticos sean mucho más eficientes o servir como componentes clave de las computadoras cuánticas. Pero teorías y cálculos recientes han demostrado que puede haber miles de compuestos que tienen propiedades topológicas, y probarlos todos para determinar sus propiedades topológicas a través de experimentos llevará años de trabajo y análisis. Por lo tanto, existe una gran necesidad de métodos más rápidos para probar y estudiar materiales topológicos.
Un equipo de investigadores del MIT, la Universidad de Harvard, la Universidad de Princeton y el Laboratorio Nacional de Argonne propuso un nuevo enfoque que es más rápido en la detección de materiales candidatos y puede predecir con más del 90 por ciento de precisión si un material es topológico o no.
La forma tradicional de resolver este problema es bastante complicada y se puede explicar de la siguiente manera: en primer lugar, se utiliza un método llamado teoría funcional de la densidad para realizar los cálculos iniciales, que luego son seguidos por experimentos complejos que implican cortar una pieza de material a nivel atómico. planitud y palpándola con instrumentos bajo alto vacío.
El nuevo método propuesto se basa en cómo el material absorbe los rayos X, que es diferente de los métodos antiguos, que se basaban en fotoemisiones o electrones de efecto túnel. Hay ciertas ventajas significativas en el uso de datos de absorción de rayos X, que se pueden enumerar de la siguiente manera: en primer lugar, no se requieren aparatos de laboratorio costosos. Se utilizan espectrómetros de absorción de rayos X, que están fácilmente disponibles y pueden funcionar en un entorno típico, de ahí el bajo costo de establecer un experimento. En segundo lugar, tales mediciones ya se han realizado en química y biología para otras aplicaciones, por lo que los datos ya están disponibles para numerosos materiales.
Ahora, después de recopilar datos, el siguiente paso es encontrar la relación entre las características de los datos espectrales y las propiedades topológicas. Dado que los datos espectrales son de alta dimensión, se utiliza una red neuronal densa para aprender esta relación. El modelo utiliza dos tipos de información: primero, qué tipo de átomo se está analizando y, luego, su espectrograma de absorción de rayos X.
Algunas capas completamente conectadas operan en la etiqueta de tipo de átomo y la entrada espectral para producir incrustaciones espectrales y de tipo de átomo. Ahora las incrustaciones de espectros se asignan a canales específicos de elementos a través de un producto directo con la incrustación de tipo de átomo correspondiente. Estas características luego se suman y pasan a otra red de capas totalmente conectadas que predicen una clase topológica binaria.
Aunque el modelo tiene más del 90 por ciento de precisión, ya que es un modelo de aprendizaje profundo, los investigadores no saben exactamente qué sucede dentro de la caja o por qué funciona el modelo. Teniendo en cuenta las perspectivas de investigación futuras, el equipo utilizó el modelo entrenado para crear una tabla periódica que muestra la precisión general del modelo en los compuestos hechos de cada elemento. Servirá como una herramienta para ayudar a los investigadores a reducir los compuestos que pueden tener propiedades topológicas. Los resultados actuales demuestran una vía prometedora para utilizar métodos asistidos por aprendizaje automático para seleccionar candidatos para propiedades topológicas. Por lo tanto, un espectrograma de absorción de rayos X con aprendizaje automático es una herramienta poderosa para usar en aplicaciones similares.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘Indicadores espectrales de aprendizaje automático de topología‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
