新闻

bt356官网

菜单

使用机器学习来创造更有能力的电容器

佐治亚州科技研究人员使用sdsc的“彗星”超级计算机来加速设计

格鲁吉亚科技公司的科学家正在利用超级计算机的机器学习来分析材料的电子结构,最终找到构建更多功能电容器的方法。 (左)密度泛函理论(dft)苯的分子动力学快照的电荷密度。 (右)相同苯结构的机器学习预测与dft之间的电荷密度差异。图片:rampi ramprasad,佐治亚科技

电容器具有高能量输出和充电速度,可以在为电动汽车和手机等未来机器供电方面发挥重要作用。然而,电容器作为储能设备的最大障碍是它们比类似尺寸的电池储存的能量要少得多。

格鲁吉亚理工学院(佐治亚理工学院)的研究人员正在以一种新颖的方式通过使用超级计算机和机器学习技术来解决这个问题,最终找到建立更有能力的电容器的方法。

该方法在自然合作伙伴期刊中有所描述 计算材料,发表于2019年2月 研究 包括教学计算机在原子水平分析两种材料,铝和聚乙烯,用于制造一些电容器。

研究人员专注于寻找一种方法来更快速地分析电容器材料的电子结构,寻找可能影响性能的特性。 “电子行业希望了解他们用于生产设备(包括电容器)的所有材料的电子特性和结构,”佐治亚技术学院材料科学与工程学院教授rampi ramprasad说。

例如,聚乙烯是一种非常好的绝缘体,具有大的带隙,能量范围被禁止带电载流子。但如果它有缺陷,就会允许不需要的载流子进入带隙,从而降低效率,他说。

“为了了解缺陷的位置以及它们扮演的角色,我们需要计算整个原子结构,这是迄今为止非常困难的事情,”ramprasad说。 “目前使用量子力学分析这些材料的方法是如此之慢,以至于它限制了在任何给定时间可以进行多少分析。”

ramprasad和他的同事们使用机器学习来帮助开发新材料。在这里,他们使用从铝和聚乙烯的量子力学分析创建的数据样本作为输入来教授功能强大的计算机如何模拟该分析。

用量子力学分析材料的电子结构涉及求解密度泛函理论的kohn-sham方程,该方程生成波函数和能级的数据。然后,该数据用于计算系统的总势能和原子力。

研究人员使用了 彗星 圣地亚哥超级计算机中心的超级计算机,加州大学圣地亚哥分校的一个有组织的研究单位,用于早期计算;和 stampede2 德克萨斯州德克萨斯大学德克萨斯高级计算中心的超级计算机,用于本研究的后期阶段。这两个系统都是由国家科学基金会资助的多年奖项。

“在研究前的工作中,我们使用了 彗星 广泛用于高通量聚合物电子性质计算,例如聚合物形态对聚合物绷带的影响,“该研究的共同作者,在佐治亚州材料科学与工程学院的ramprasad建议的研究生deepak kamal说。 “我们用了 彗星 因为它在处理大量和大量的计算方面快速有效。“

使用由ramprasad及其同事开发的新机器学习方法产生的类似结果比使用基于量子力学的传统技术快几个数量级。

“这种前所未有的计算能力提升将使我们能够设计出优于现有电子材料的电子材料,”ramprasad说。 “基本上,我们可以说,'这些材料的缺陷会真正降低其电子结构的效率。'一旦我们能够有效地解决这些问题,我们就可以更好地设计电子设备。”

虽然研究的重点是铝和聚乙烯,但机器学习可用于分析更广泛材料的电子结构。除了分析电子结构之外,现在通过量子力学分析的材料结构的其他方面也可以通过机器学习方法加速,ramprasad说。

“我们选择了铝和聚乙烯,因为它们是电容器的组成部分,”他解释道。 “但我们也证明了人们可以将这种方法用于截然不同的材料,例如导体金属和绝缘体聚合物。”

机器学习方法允许的更快处理也将使研究人员能够更快地模拟材料的修改将如何影响其电子结构,从而可能揭示提高其效率的新方法。

添加kamal:“超级计算系统允许高通量计算,这使我们能够创建关于各种材料系统的大量知识库。然后,可以利用这些知识为特定应用找到最佳材料。“

这项名为“用机器学习解决电子结构问题”的研究的作者包括anand ch和rasekaran,deepak kamal,rohit batra,chiho kim和lihua chen以及ramprasad和kamal。所有这些都来自佐治亚理工学院的材料科学与工程学院。该研究还获得了海军研究办公室的资助,该资助于n0014-17-1-2656。


媒体联系

jan zverina, 858-534-5111, 。(必须启用javascript才能查看此电子邮件地址)

uc san diego's 工作室十300 提供广播和电视连接,以便与我们的教师进行媒体采访。有关详情,请发送电子邮件 。(必须启用javascript才能查看此电子邮件地址).