Ein Team unter der Leitung von Kostya Novoselov und Andrey Ustyuzhanin hat einen Artikel mit dem Titel "Sparse representation for machine learning the properties of defects in 2D materials" in der renommierten Zeitschrift npj Computational Materials veröffentlicht. Der Code und die trainierten Modellgewichte sind auf der Constructor Research Platform verfügbar .
2D-Materialien bieten aufregende Möglichkeiten als Bausteine für neue elektronische Geräte, wie biegbare Bildschirme, effiziente Solarpaneele und hochauflösende Kameras. Eine der bestimmenden Eigenschaften von 2D-Materialien ist der große Einfluss von Kristallgitterfehlern oder -defekten. Sie verändern die elektronischen Eigenschaften radikal. Sie können Isolatoren in Halbleiter verwandeln, Halbleiter in Metalle, Materialien magnetisch oder katalytisch machen.
Ideale kristalline Materialien bestehen aus einem sich unendlich wiederholenden Muster. Reale kristalline Materialien haben Defekte. Die Arbeit untersucht Punktdefekte: Leerstellen, wenn ein Atom entfernt wird, und Substitutionen, wenn ein Atom durch ein anderes ersetzt wird. Beispiel einer MoS2-Struktur mit einer S-Vakanz, einer Mo-Vakanz und zwei S-/Se-Substitutionen:
Für das In-silico-Engineering von Defekten ist eine schnelle Abschätzung der Materialeigenschaften erforderlich. Die Autoren haben einen maschinellen Lernansatz entwickelt, der im Vergleich zu Berechnungen nach den ersten Prinzipien mindestens 1000 Mal schneller und 3,7 Mal genauer ist als konkurrierende maschinelle Lernansätze. Die Hauptidee besteht in der Verwendung eines spärlichen Darstellungsgraphen, der nur aus den Punktdefekten besteht, als Eingabe für einen maschinellen Lernalgorithmus, im Gegensatz zum traditionellen Ansatz, bei dem alle Atome verwendet werden.
Er ist unten dargestellt:
a) Start mit einer vollständigen Struktur eines 2D-Materials mit Defekten
b) Erhalt der dünnen Struktur durch Entfernen der Stellen, die keine Defekte enthalten
c) Erstellen eines Graphen durch Verbinden der Defektstellen, die näher als der Abschneideradius sind
d) Der resultierende dünn besetzte Graph. Man beachte die Kanten, die durch die periodische Grenze gehen.
Forschungsprojekte auf dem Gebiet der Informatik entwickeln sich oft zu Softwareentwicklungsprojekten, und dieses war keine Ausnahme. Die Kernidee des Papiers wurde in etwa einer Woche erfunden und getestet. In den verbleibenden 1,5 Jahren wurde der Code geschrieben und akribische Experimente durchgeführt.
Das Projekt war eine Zusammenarbeit zwischen 4 verschiedenen Institutionen, von denen jede ihre eigenen Rechenressourcen nutzte, was die Sache zusätzlich erschwerte. Die Constructor-Forschungsplattform kam in der Spätphase des Projekts zum Einsatz:
- Durchführung der abschließenden Bewertungsexperimente
- Training der endgültigen Modelle für die Inferenz
- Veröffentlichung der Datensätze
- Veröffentlichung der Vorhersage-Schnittstelle
Wert der Constructor Forschungsplattform:
Die Constructor Research Plattform bietet Forschern, die die Eigenschaften von Defekten in 2D-Materialien untersuchen, einen immensen Nutzen. Durch die Nutzung der Fähigkeiten der Plattform können Forscher die spärliche Repräsentation für maschinelles Lernen anwenden, was eine schnelle Abschätzung der Materialeigenschaften basierend auf der Gitterstruktur und der Defektkonfiguration ermöglicht. Die integrierte Versionskontrolle stellt sicher, dass Forschungsprojekte effektiv organisiert und nachverfolgt werden, so dass die Forscher verschiedene Iterationen ihrer Experimente mühelos verwalten und vergleichen können. Dieser rationalisierte Arbeitsablauf steigert die Produktivität und erleichtert die Reproduzierbarkeit der Ergebnisse.
Die Plattform ist als webbasierte Umgebung für die Zusammenarbeit konzipiert und bietet einen einfachen Einstieg für Mitglieder von Forschungsteams. Die Forscher können nahtlos zusammenarbeiten, Erkenntnisse austauschen und gemeinsam zum Verständnis von defektbehafteten Materialien beitragen. Die intuitive Benutzeroberfläche der Plattform und die kollaborativen Funktionen fördern ein produktives und integratives Forschungsumfeld.
Die Constructor Research Plattform beinhaltet Funktionen zur gemeinsamen Nutzung von Projekten, die es Forschern ermöglichen, ihre Arbeit durch interaktive Publikationen zu teilen. Mit interaktiven Publikationen können Forscher ihre Ergebnisse in einer ansprechenden und interaktiven Weise präsentieren und so die Zugänglichkeit und den Einfluss ihrer Forschung verbessern.
Darüber hinaus bietet die Plattform einen gemeinsamen Zugang zu reproduzierbaren Experimenten und erleichtert so die Zusammenarbeit mit internen und externen Beteiligten. Forscher können ihre Experimente ganz einfach mit Kollegen teilen und ihnen Zugang zu den Forschungsergebnissen gewähren, um diese zu reproduzieren und darauf aufzubauen. Dieser kollaborative Ansatz verbessert den Wissensaustausch, fördert die interdisziplinäre Zusammenarbeit und beschleunigt den Forschungsfortschritt.
Zusammenfassend lässt sich sagen, dass die Constructor Research Plattform eine umfassende und kollaborative Umgebung für Forscher bietet, die die Eigenschaften von Defekten in 2D Materialien untersuchen. Mit einer maßgeschneiderten Recheninfrastruktur, einem kompletten Satz von Forschungs- und Entwicklungswerkzeugen, webbasierter Zusammenarbeit, Möglichkeiten zur gemeinsamen Nutzung von Projekten und gemeinsamem Zugang zu reproduzierbaren Experimenten ermöglicht die Plattform den Forschern, ihre Untersuchungen voranzutreiben, die Zusammenarbeit zu fördern und wissenschaftliche Fortschritte auf diesem Gebiet zu erzielen. Die Constructor Research Plattform erweist sich als äußerst ressourceneffizient und reduziert die Rechenkosten für Training und Inferenz erheblich.