גילוי יעיל של חומרי אנרגיה משופרים על ידי זרימת עבודה חדשה מונחית בינה מלאכותית

פרסומת
תכנון תשתיות רפואיות


מדענים של מעבדת NOMAD במכון Fritz Haber של אגודת מקס פלאנק הציעו לאחרונה זרימת עבודה שיכולה להאיץ באופן דרמטי את החיפוש אחר חומרים חדשים בעלי תכונות משופרות. הם הוכיחו את כוחה של הגישה על ידי זיהוי של יותר מ-50 חומרים מבודדים תרמי חזק. אלה יכולים לעזור להקל על משבר האנרגיה המתמשך, על ידי מתן אפשרות לאלמנטים תרמו-אלקטריים יעילים יותר, כלומר, מכשירים המסוגלים להמיר חום מבוזבז אחרת למתח חשמלי שימושי.

פרסומת

גילוי חומרים תרמו-אלקטריים חדשים ואמינים הוא הכרחי לניצול של יותר מ-40% מהאנרגיה המופקת כפסולת חום ברחבי העולם ולסייע בהפחתת האתגרים ההולכים וגדלים של שינויי האקלים. אחת הדרכים להגביר את היעילות התרמו-אלקטרית של חומר היא להפחית את המוליכות התרמית שלו, κ, ובכך לשמור על שיפוע הטמפרטורה הדרוש לייצור חשמל. עם זאת, העלות הקשורה לחקר מאפיינים אלה הגבילה את החקירות החישוביות והניסיוניות של κ רק תת-קבוצה דקה של כל החומרים האפשריים. צוות של מעבדת NOMAD עשה לאחרונה מאמצים להפחית עלויות אלו על ידי יצירת זרימת עבודה מונחית בינה מלאכותית המסננת באופן היררכי חומרים כדי למצוא ביעילות מבודדים תרמיים חדשים וטובים יותר.

העבודה שפורסמה לאחרונה ב npj חומרים חישוביים מציע דרך חדשה להשתמש בבינה מלאכותית (AI) כדי להנחות את החיפוש בתפוקה גבוהה אחר חומרים חדשים. במקום להשתמש באינטואיציה פיזית/כימית כדי לסנן חומרים על בסיס מגמות כלליות, ידועות או חשודות, הנוהל החדש לומד את התנאים המובילים לתוצאה הרצויה בשיטות AI מתקדמות. לעבודה זו יש פוטנציאל לכמת את החיפוש אחר חומרי אנרגיה חדשים ולהגביר את היעילות של החיפושים הללו.

הצעד הראשון בתכנון זרימות העבודה הללו הוא להשתמש בשיטות סטטיסטיות ובינה מלאכותית מתקדמות כדי להעריך את מאפיין היעד המעניין, κ במקרה הזה. לשם כך, נעשה שימוש בגישת ה-SISSO ו-Screen-Independence Screening and Sparsifying Operator (SISSO). SISSO היא שיטת למידת מכונה שחושפת את התלות הבסיסית בין תכונות חומרים שונים מקבוצה של מיליארדי ביטויים אפשריים. בהשוואה למודלים אחרים של "קופסה שחורה" AI, גישה זו מדויקת באופן דומה, אך בנוסף מניבה יחסים אנליטיים בין תכונות חומר שונות. זה מאפשר לנו ליישם מדדי חשיבות מאפיינים מודרניים כדי לשפוך אור על תכונות החומר החשובות ביותר. במקרה של κ, אלה הנפח הטוחני, VM; מגבלת הטמפרטורה הגבוהה טמפרטורת Debye, θד,∞; ומדד האנהרמוניות, σא.

יתר על כן, הניתוח הסטטיסטי המתואר מאפשר לזקק כללי אצבע עבור התכונות הבודדות המאפשרות מראש להעריך את הפוטנציאל של החומר להיות מבודד תרמי. העבודה עם שלושת המאפיינים העיקריים החשובים ביותר איפשרה לפיכך ליצור זרימות עבודה חישוביות מונחות בינה מלאכותית לגילוי מבודדים תרמיים חדשים. זרימות עבודה אלה משתמשות בתוכניות מבנה אלקטרוניות מתקדמות כדי לחשב כל אחת מהתכונות שנבחרו. במהלך כל שלב נבדקו חומרים שסביר להניח שהם לא יהיו מבודדים טובים בהתבסס על הערכים שלהם VM, θד,∞ו- σא. בעזרת זה, ניתן להפחית את מספר החישובים הדרושים למציאת חומרים מבודדים תרמיים ביותר משני סדרי גודל. בעבודה זו, זה מודגם על ידי זיהוי 96 מבודדים תרמיים (κ < 10 וום-1ק-1) בסט ראשוני של 732 חומרים. המהימנות של גישה זו אומתה עוד יותר על ידי חישוב κ עבור 4 מהתחזיות הללו עם הדיוק הגבוה ביותר האפשרי.

מלבד הקלה על החיפוש הפעיל אחר חומרים תרמו-אלקטריים חדשים, ניתן ליישם את הפורמליזם המוצע על ידי צוות NOMAD גם כדי לפתור בעיות דחופות אחרות במדעי החומר.



קישור לכתבת המקור – 2023-07-18 17:56:36

Facebook
Twitter
LinkedIn
Telegram
WhatsApp
Email
פרסומת
X-ray_Promo1

עוד מתחומי האתר