Machine learning helpt bij het identificeren van ’thermische schakelaars’ voor nanomaterialen van de volgende generatie

Stel je voor dat je materialen kunt programmeren om de warmte te regelen, net zoals je een licht kunt bedienen met een dimmer. Door de materialen simpelweg in te knijpen of uit te rekken, kun je ze warmer of kouder maken.

Een van de fundamentele uitdagingen bij geavanceerde materialen is het nauwkeurig voorspellen en controleren van de warmtestroom in complexe materialen van de volgende generatie. Traditionele simulatiemethoden, die gebaseerd zijn op vereenvoudigde empirische modellen, slagen er niet in de ingewikkelde atomaire interacties van een materiaal vast te leggen, vooral onder vervorming.

Nieuw onderzoek door Xiangyu Li, een assistent-professor bij de afdeling Werktuigbouwkunde en Luchtvaart- en Ruimtevaarttechniek, en zijn Ph.D. student Shaodong Zhang helpt dat probleem te verlichten.

Li en Zhang gebruikten een machinaal lerend neuro-evolutiepotentieel (NEP) om computationele modellen te trainen over hoe atomen met elkaar omgaan op sub-nanometerschaal. Voor zeer poreuze materialen zoals grafeenschuim helpt deze techniek thermische en mechanische eigenschappen te voorspellen door atomaire bewegingen en interacties te simuleren. Met de techniek kunnen onderzoekers modelleren hoe deze materialen zich gedragen onder verschillende omstandigheden, zoals compressie, en begrijpen hoe hun structuur verandert.

Het onderzoek van Li en Zhang werd onlangs gepubliceerd in de Internationaal tijdschrift voor thermische wetenschappen En npj computermaterialen.

“Dit onderzoek toont aan dat we door het nanomateriaal grafeenschuim te combineren met een gebruikelijk siliciumpolymeer een composiet kunnen creëren dat niet alleen sterker is, maar ook een opmerkelijk vermogen bezit om de warmtestroom te reguleren wanneer het wordt vervormd”, aldus Zhang. “Dit maakt de weg vrij voor intelligente materialen die hun thermische eigenschappen zelf kunnen aanpassen, wat leidt tot veiligere, energiezuinigere elektronica, geavanceerde draagbare apparaten en slimmere thermische beheersystemen in alles, van laptops tot ruimtevaartuigen.”

Efficiëntere experimenten

De resultaten van het onderzoek van Li en Zhang toonden aan dat zowel de thermische geleidbaarheid als de thermische geleidbaarheid van grafeenschuim toenemen met de toename van de dichtheid bij kamertemperatuur. De thermische geleidbaarheid ervaart echter een neerwaartse trend, gevolgd door een daaropvolgend opwaarts traject in het compressieproces. De resultaten suggereren dat de verzwakking van de thermische geleidbaarheid in de begintoestand kan worden toegeschreven aan de diktevermindering als gevolg van materiaalcompressie.

“Dit biedt een wetenschappelijke blauwdruk voor het ontwerpen van ’thermische schakelaars’, waarbij het vermogen van een materiaal om warmte te geleiden op verzoek omhoog of omlaag kan worden gezet,” zei Zhang.

Gezien de uitdagingen bij het meten en produceren van materialen van de volgende generatie, zegt Li dat hij een machine-learning-tool heeft om te begrijpen hoe de moleculaire structuur van verschillende combinaties de ontwikkeling kan helpen begeleiden.

“Het doel is om de hoeveelheid experimentele inspanningen te verminderen, en we kunnen een ruwe schatting geven van de uitkomst”, zei Li. “In het ideale geval hopen we alle materiaaleigenschappen te voorspellen zonder voorafgaande kennis, wat jaren van inspanning en verfijning van tools vergt. Het doel is om de ontwikkeling van materialen te helpen en systeem- en apparaatontwerpen veel gestroomlijnder te maken, zodat je minder geld en tijd besteedt aan repetitieve pogingen en fouten.”

De grens van de volgende generatie

Het baanbrekende onderzoek van Li en Zhang opent de deur voor grootschalige moleculaire dynamica-simulaties die zeer efficiënt en nauwkeurig zijn en een belangrijke kloof overbruggen tussen nauwkeurigheid op atomaire schaal en praktisch materiaalontwerp.

Toekomstige toepassingen die voortkomen uit hun onderzoek zouden de ontwikkeling van intelligente thermische schakelaars voor de volgende generatie elektronica kunnen omvatten; het bevorderen van flexibele en draagbare technologie, die zou kunnen leiden tot draagbare sensoren die zich aanpassen aan de lichaamstemperatuur of kleding die de warmte actief beheert voor comfort; en het versnellen van materiaalontdekking voor waterdampadsorptie.

“Het is nog verder verwijderd van echte toepassingen”, zei Li. “Maar het kan bijvoorbeeld worden gebruikt met batterijen, waarbij je het binnen een smal temperatuurbereik moet laten werken. We hopen ook op machine learning gebaseerde moleculaire dynamica te kunnen benutten in andere fysische en chemische processen.”