Generative AI-Driven Framework for Optimal Structure Selection and Generation in Material Science

Forskare: Hamam Mokayed och Andreas Larsson

Inom området hållbar materialvetenskap är förståelsen och kontrollen av tillväxten av nanomaterial fortfarande en betydande utmaning. Traditionella metoder på atomär skala, såsom ab initio-molekyldynamik (aiMD) baserad på täthetsfunktionalteori (DFT), är ofta alltför beräkningskrävande för att nå de nano- till millisekundtidskalor som krävs för att studera tillväxtmekanismer.

För att övervinna dessa begränsningar föreslår vi ett AI-drivet ramverk som förenklar konstruktionen av maskininlärningsbaserade kraftfält (MLFF) tränade på DFT-resultat. Vårt senaste arbete med att utveckla ett MLFF (DeepCNT-22), kapabelt att modellera tillväxt av enkelväggiga kolnanorör, har gett nya insikter i bildandet av gränsytedefekter och de förhållanden som krävs för defektfri tillväxt.

Med sikte på ytterligare förbättringar avser vår forskning att utvidga DeepCNT-22 till att inkludera väte, med målet att uppnå en detaljerad förståelse av nedbrytningen av kolvätebaserade rågasflöden i materialtillväxtprocesser. Det långsiktiga målet är att skapa en atomär digital tvilling av materialtillväxt vid CVD/ALD-processer.

Att inkludera väte medför dock utmaningen att effektivt välja och generera representativa atomära konfigurationer. Vår nya idé är att utveckla ett AI-drivet ramverk som använder avancerade maskininlärningsmodeller och fysikinformerad inlärning för att optimera beskrivningar av atomära miljöer, och att använda detta ramverk för att välja och generera representativa konfigurationer för träning av MLFF.

Denna utveckling förväntas inte bara ge betydande effektivitetsvinster i konstruktionen av MLFF, genom att minska beroendet av kostsamma DFT-beräkningar, utan lägger också grunden för mer omfattande framtida studier inom materialvetenskap. En stark synergi mellan WISE och WASP.

Hållbarhetsapekter

Detta ramverk adresserar de utmaningar som MLFF står inför när det gäller att anpassa sig till varierande kemiska miljöer. Många befintliga modeller har svårt att generalisera mellan olika system utan omträning, vilket är tidskrävande och resursintensivt. Genom att fokusera på robust och högkvalitativ datagenerering optimerar vårt ramverk MLFF:s prestanda och robusthet.

I samarbete med WISE och WASP är vi väl positionerade att uppnå betydande framsteg i styrning av nanomaterialtillväxt, vilket möjliggör tillämpningar inom energieffektiva kolnanomaterial för elektronik och energilagring. Det föreslagna ramverket kommer att spela en avgörande roll i att möjliggöra defektfria kolnanomaterial med konsekventa egenskaper, vilket främjar deras användning i hållbara tekniska lösningar.

Skalbarheten och effektiviteten hos dessa MLFF-modeller kommer att sätta nya standarder för beräkningsbaserad materialforskning, öppna vägar för att möta globala hållbarhetsutmaningar och främja innovationer inom ren energi och grön teknik.

Projektsida på WISE webbplats

• An AI-Driven Framework for Generating Optimal Structures in Material Science Using Generative Methods