De ontwikkeling van nieuwe materialen en nieuwe processen heeft de wereld voortdurend veranderd. Het M3I3-initiatief bij KAIST heeft geleid tot nieuwe inzichten in het bevorderen van materiaalontwikkeling door doorbraken in beeldvorming van materialen te implementeren die een paradigmaverschuiving hebben veroorzaakt in de ontdekking van materialen. Het Initiatief biedt modellering op meerdere schaal en beeldvorming van structuur- en eigendomsrelaties en materiaalhiërarchieën in combinatie met de nieuwste materiaalverwerkingsgegevens.
Het onderzoeksteam onder leiding van professor Seungbum Hong analyseerde de materiaalonderzoeksprojecten die werden gerapporteerd door vooraanstaande internationale instituten en onderzoeksgroepen, en leidde een kwantitatief model af met behulp van machine learning met een wetenschappelijke interpretatie. Dit proces belichaamt het onderzoeksdoel van de M3I3: materialen en moleculaire modellering, beeldvorming, informatica en integratie.
De onderzoekers bespraken de rol van multischaalmaterialen en moleculaire beeldvorming in combinatie met machine learning en presenteerden ook een toekomstperspectief voor ontwikkelingen en de belangrijkste uitdagingen van M3I3. Door dit model te bouwen, beoogt het onderzoeksteam het creëren van gewenste sets van eigenschappen voor materialen en het verkrijgen van de optimale verwerkingsrecepten om ze te synthetiseren.
“De ontwikkeling van verschillende microscopie- en diffractietools met de mogelijkheid om de structuur, eigenschappen en prestaties van materialen op meerdere schaalniveaus in kaart te brengen en in realtime stelde ons in staat te denken dat materiaalbeeldvorming de ontdekking en ontwikkeling van materialen radicaal zou kunnen versnellen.” zegt professor Hong.
“We zijn van plan om een M3I3-repository van doorzoekbare structuur- en eigendomskaarten op te bouwen met behulp van FAIR-principes (Findable, Accessible, Interoperable, and Reusable) om best practices te standaardiseren en de opleiding van beginnende onderzoekers te stroomlijnen.”
Een van de voorbeelden die de kracht van structuur-eigenschapbeeldvorming op nanoschaal aantoont, is de ontwikkeling van toekomstige materialen voor opkomende niet-vluchtige geheugenapparaten. Specifiek concentreerde het onderzoeksteam zich op microscopie met behulp van fotonen, elektronen en fysieke sondes op de multischalige structurele hiërarchie, evenals op structuur-eigenschaprelaties om de prestaties van geheugenapparaten te verbeteren.
“M3I3 is een algoritme voor het uitvoeren van reverse engineering van toekomstige materialen. Reverse engineering begint met het analyseren van de structuur en samenstelling van geavanceerde materialen of producten. Zodra het onderzoeksteam de prestaties van onze beoogde toekomstige materialen heeft bepaald, moeten we de kandidaatstructuren en composities kennen om de toekomstige materialen te produceren.”
Het onderzoeksteam heeft een datagedreven experimenteel ontwerp gebouwd op basis van traditionele NCM-kathodematerialen (nikkel, kobalt en mangaan). Hiermee breidde het onderzoeksteam hun toekomstige richting uit om een nog hogere ontladingscapaciteit te bereiken, die kan worden gerealiseerd via Li-rijke kathodes.
Een van de grootste uitdagingen was echter de beperking van de beschikbare gegevens die de Li-rijke kathode-eigenschappen beschrijven. Om dit probleem te verminderen, stelden de onderzoekers twee oplossingen voor: Ten eerste zouden ze een door machine learning geleide gegevensgenerator moeten bouwen voor gegevensvergroting. Ten tweede zouden ze een machine-leermethode gebruiken die gebaseerd is op ‘transfer learning’. Aangezien de NCM-kathodedatabase een gemeenschappelijk kenmerk heeft met een Li-rijke kathode, zou men kunnen overwegen om het door NCM getrainde model opnieuw te gebruiken voor het ondersteunen van de Li-rijke voorspelling. Met het voorgetrainde model en transfer learning verwacht het team uitstekende voorspellingen te doen voor Li-rijke kathodes, zelfs met de kleine dataset.
Met de vooruitgang in experimentele beeldvorming en de beschikbaarheid van goed opgeloste informatie en big data, samen met aanzienlijke vooruitgang in high-performance computing en een wereldwijde drang naar een algemeen, samenwerkend, geïntegreerd en on-demand onderzoeksplatform, is er een duidelijke samenvloeiing. in de vereiste capaciteiten om het M3I3-initiatief te bevorderen.
Professor Hong zei: “Zodra we erin slagen om de inverse te gebruiken “eigenschap-structuur-verwerking” oplosser om kathode-, anode-, elektrolyt- en membraanmaterialen te ontwikkelen voor Li-ionbatterijen met hoge energiedichtheid, zullen we onze reikwijdte van materialen uitbreiden naar batterij / brandstofcellen, lucht- en ruimtevaart, auto’s, voedsel, medicijnen en cosmetische materialen.”
Seungbum Hong et al, Reducing Time to Discovery: Materials and Molecular Modelling, Imaging, Informatics and Integration, ACS Nano (2021). DOI: 10.1021 / acsnano.1c00211
ACS Nano
Geleverd door The Korea Advanced Institute of Science and Technology (KAIST)