Η επανάσταση στην ταξινόμηση μαγνητικών δομών

Η σημασία της μαγνητικής δομής

Η κατανόηση της μαγνητικής δομής των κρυσταλλικών υλικών είναι κρίσιμη για πολλές εφαρμογές, όπως η αποθήκευση δεδομένων, η υψηλής ανάλυσης απεικόνιση, τα spintronics, η υπεραγωγιμότητα και η κβαντική υπολογιστική. Ωστόσο, η απόκτηση αυτής της πληροφορίας είναι δύσκολη. Παρόλο που οι μαγνητικές δομές μπορούν να προσδιοριστούν μέσω μελετών διάχυσης και σκέδασης νετρονίων, ο αριθμός των μηχανών που υποστηρίζουν αυτές τις αναλύσεις είναι περιορισμένος, όπως και ο διαθέσιμος χρόνος σε αυτές τις εγκαταστάσεις.

Προκλήσεις και περιορισμοί

Μέχρι σήμερα, οι μαγνητικές δομές περίπου 1.500 υλικών έχουν καταγραφεί πειραματικά. Οι ερευνητές έχουν επίσης προβλέψει μαγνητικές δομές με αριθμητικές μεθόδους, αλλά αυτές απαιτούν εκτενείς υπολογισμούς, ακόμα και σε υπερσύγχρονους υπερυπολογιστές. Οι υπολογισμοί αυτοί γίνονται όλο και πιο δαπανηροί, με τις ενεργειακές απαιτήσεις να αυξάνονται εκθετικά καθώς αυξάνεται το μέγεθος των κρυσταλλικών δομών που εξετάζονται.

Η καινοτομία του MIT

Τώρα, ερευνητές από το MIT, το Πανεπιστήμιο Harvard και το Πανεπιστήμιο Clemson, με επικεφαλής τους Mingda Li και Tess Smidt, έχουν βρει έναν τρόπο να απλοποιήσουν αυτή τη διαδικασία χρησιμοποιώντας τα εργαλεία της μηχανικής μάθησης. «Αυτή μπορεί να είναι μια πιο γρήγορη και οικονομική προσέγγιση», λέει η Smidt.

Η συμβολή των φοιτητών

Τα αποτελέσματα της ομάδας δημοσιεύτηκαν πρόσφατα στο περιοδικό Science. Ένα ασυνήθιστο χαρακτηριστικό αυτού του άρθρου, εκτός από τα καινοτόμα ευρήματά του, είναι ότι οι πρώτοι συγγραφείς είναι τρεις προπτυχιακοί φοιτητές του MIT — η Helena Merker, ο Harry Heiberger και ο Linh Nguyen — καθώς και ένας διδακτορικός φοιτητής, ο Tongtong Liu.

Η πρόκληση της πρόβλεψης

Η Merker, ο Heiberger και ο Nguyen εντάχθηκαν στο έργο το φθινόπωρο του 2020 και αντιμετώπισαν μια σημαντική πρόκληση: να σχεδιάσουν ένα νευρωνικό δίκτυο που μπορεί να προβλέψει τη μαγνητική δομή των κρυσταλλικών υλικών. Δεν ξεκίνησαν από το μηδέν, αλλά χρησιμοποίησαν τα «ισοδύναμα Ευκλείδεια νευρωνικά δίκτυα» που συν-εφηύρε η Smidt το 2018. Το πλεονέκτημα αυτού του είδους δικτύου, εξηγεί η Smidt, «είναι ότι δεν θα έχουμε διαφορετική πρόβλεψη για τη μαγνητική τάξη αν ένας κρύσταλλος περιστραφεί ή μετατοπιστεί, κάτι που γνωρίζουμε ότι δεν πρέπει να επηρεάζει τις μαγνητικές ιδιότητες.»

Η βάση δεδομένων και τα χαρακτηριστικά

Η ομάδα του MIT χρησιμοποίησε μια βάση δεδομένων σχεδόν 150.000 ουσιών που συγκεντρώθηκε από το Materials Project στο Lawrence Berkeley National Laboratory, η οποία παρείχε πληροφορίες για τη διάταξη των ατόμων στο κρυσταλλικό πλέγμα. Η ομάδα χρησιμοποίησε αυτή την είσοδο για να αξιολογήσει δύο βασικές ιδιότητες ενός υλικού: τη μαγνητική τάξη και τη μαγνητική διάδοση.

Κατηγοριοποίηση και διάδοση

Η κατηγοριοποίηση των υλικών περιλαμβάνει τη διάκρισή τους σε τρεις κατηγορίες: φερρομαγνητικά, αντιφερρομαγνητικά και μη μαγνητικά. Τα άτομα σε ένα φερρομαγνητικό υλικό δρουν σαν μικροί μαγνήτες με δικούς τους βόρειους και νότιους πόλους. Σε ένα αντιφερρομαγνητικό υλικό, οι μαγνητικές ροπές των ατόμων δείχνουν σε αντίθετη κατεύθυνση από αυτή των γειτόνων τους, ακυρώνοντας η μία την άλλη. Σε ένα μη μαγνητικό υλικό, οι μαγνητικές ροπές των ατόμων μπορεί να δείχνουν σε τυχαίες κατευθύνσεις, με αποτέλεσμα μηδενική μαγνήτιση.

Η πρόκληση της μηχανικής μάθησης

Η έννοια της μαγνητικής διάδοσης σχετίζεται με την περιοδικότητα της μαγνητικής δομής ενός υλικού. Αν σκεφτείτε έναν κρύσταλλο ως μια τρισδιάστατη διάταξη από τούβλα, ένα στοιχειώδες κύτταρο είναι το μικρότερο δυνατό δομικό στοιχείο. Αν οι μαγνητικές ροπές κάθε στοιχειώδους κυττάρου είναι ευθυγραμμισμένες, οι ερευνητές του MIT αποδίδουν στο υλικό μια τιμή διάδοσης μηδέν. Αν όμως η μαγνητική ροπή αλλάζει κατεύθυνση, το υλικό λαμβάνει μια μη μηδενική τιμή διάδοσης.

Η επίτευξη των στόχων

Η πρώτη κίνηση των φοιτητών ήταν να χρησιμοποιήσουν ένα μέρος της βάσης δεδομένων του Materials Project για να εκπαιδεύσουν το νευρωνικό δίκτυο να βρει συσχετίσεις μεταξύ της κρυσταλλικής και της μαγνητικής δομής ενός υλικού. Οι φοιτητές ανακάλυψαν ότι τα καλύτερα αποτελέσματα επιτυγχάνονται όταν συμπεριλαμβάνουν όχι μόνο πληροφορίες για τις θέσεις των ατόμων στο πλέγμα, αλλά και το ατομικό βάρος, την ακτίνα, την ηλεκτραρνητικότητα και την πολωσιμότητα διπόλου των ατόμων.

Η διαδικασία εκπαίδευσης και δοκιμής

Κατά τη διάρκεια της εκπαίδευσης, ένας μεγάλος αριθμός από λεγόμενα «βάρη» ρυθμίζεται επανειλημμένα. «Ένα βάρος είναι σαν τον συντελεστή m στην εξίσωση y = mx + b», εξηγεί ο Heiberger. «Η πραγματική εξίσωση που χρησιμοποιούμε είναι πολύ πιο περίπλοκη, με πολλούς συντελεστές. Κατά τη φάση της δοκιμής, τα βάρη παραμένουν σταθερά και οι προβλέψεις συγκρίνονται με προηγουμένως καθορισμένες τιμές.»

Αποτελέσματα και ακρίβεια

Όπως αναφέρεται στο Science, το μοντέλο είχε μέση ακρίβεια περίπου 78% και 74% για την πρόβλεψη της μαγνητικής τάξης και διάδοσης αντίστοιχα. Η ακρίβεια για την πρόβλεψη της τάξης των μη μαγνητικών υλικών ήταν 91%, ακόμα και αν το υλικό περιείχε μαγνητικά άτομα.

Το μέλλον της έρευνας

Οι ερευνητές του MIT πιστεύουν ότι αυτή η προσέγγιση θα μπορούσε να εφαρμοστεί σε μεγάλα μόρια και