新机器学习可以预测材料应变时性能的变化

据 Nanowerk News 2 月 12 日报道，来自新加坡南洋理工大学、美国麻省理工学院和俄罗斯斯科尔科沃理工学院的研究人员相互合作，开发了一种机器学习算法，这种算法可以预测材料应变时性能的变化。

这项工作可能会为工程新材料带来极大的潜力，新材料可能会因此具有量身定制的特性，在通信、信息处理和能源领域拥有广阔前景。

这篇论文发表在 Proceedings of the National Academy of Sciences 杂志上，题为“通过机器学习研究带隙弹性应变的方法”（Deep elastic strain engineering of bandgap through machine learning），论文中作者演示了如何利用人工智能来确认最节能的应变路径，从而将金刚石转化为更高效的半导体。

图丨利用机器学习来设计和改变材料的特性，例如调整硅和金刚石的带隙以获得更高的处理速度（来源：南洋理工大学）

当半导体材料发生弯曲或应变时，结构中的原子会受到扰动，从而改变自身的特性，如导电、发热或透光等都会发生变化，这个过程被称为“应变工程”。

传统上，对于应变工程效应的研究方法依赖于材料试验和误差实验以及有限元计算机建模。

作为这项工作的前奏，去年，南洋理工大学和 MIT 的作者在Science杂志上报道说，钻石纳米针可以弯曲和拉伸到 9%，这项结果令人惊讶，因为钻石是已知的最硬的天然材料。

在早期的工业应用研究中，“应变工程”经常被用于硅处理器芯片，其中 1% 的应变可以使电子移动的更快，从而使处理速度提高了 50%。

Subra Suresh 教授，是南洋理工大学的校长，同时也是这项研究的第一作者，他这么说到，我们的新方法使用机器学习来预测应变对材料性能的影响，这使得在六维应变空间中，对材料应变无限组合的计算成为可能。

“现在我们有了这个相当精确的方法，大大降低了计算的复杂性，”麻省理工学院工程系主任 Suresh 教授说，“材料物理、人工智能、计算和机器学习等领域看似毫不相干，但我们一定程度上将它们结合到了一起，这对工业应用中的科学知识具有重大影响。”

麻省理工学院核科学与工程以及材料科学与工程教授 Ju Li 解释说，虽然传统改变半导体的方法，如化学掺杂（在材料中添加一种新元素）会永久地影响和改变材料性能，但这时我们所考虑的非线性弹性应变是可逆的，这意味着它可以根据不同的应用场景进行调整。

然而，因为存在各种各样的可能性，因此识别和应用应变工程材料的全部潜力是非常困难的。应变可以用六种不同独立方式中的任何一种施加（在三个不同的维度中，每一个维度都可以产生进出或侧向的应变），并且具有近乎无限的梯度，因此，仅仅通过试验和错误来探索是不切实际的。

“如果想绘制出整个弹性应变空间，很快就会增长到 1 亿次计算，”材料科学和工程的 Li 教授说。

在这项研究中，研究小组研究了应变对带隙的影响，带隙是硅和金刚石半导体中的一个关键电子特性。利用神经网络算法，他们高精度地预测了不同的应变量和方向对带隙的影响。

调整带隙可以提高半导体材料（如硅太阳能电池）的效率，增加光能的利用，同时使材料变薄 1000 倍，从而降低材料、运输和基础设施所需的成本。

金刚石作为一种具有优良内在特性的半导体材料显示出巨大的潜力，非常适于卫星通信中的高频无线电设备，以及移动网络和电力电子设备。

这项工作由一个多学科的研究团队承担，包括来自南洋理工大学的 Subra Suresh 教授、麻省理工学院首席研究科学家、南洋理工大学客座教授 Dr Mingdao 以及麻省理工学院的研究生 Zhe Sh ifrom；以及来自俄罗斯斯科尔科沃理工学院的 Evgeni tsymbalov 和 Alexander shapeev。

除了带隙外，它们的方法还可以用来研究和预测材料的其他特性，如电子、光子和磁特性。

这项工作为电子、光电和光子器件领域创造新材料带来了潜在的契机，这些材料将来可用于通信、信息处理和能源应用。