Hindistan Bilim Enstitüsü'ndeki (IISc) araştırmacılar, University College London'daki işbirlikçileriyle birlikte, sınırlı verilerle bile malzeme özelliklerini tahmin etmek için makine öğrenimi tabanlı yöntemler geliştirdiler. Bu, yarı iletkenler gibi istenen özelliklere sahip malzemelerin keşfedilmesine yardımcı olabilir.

Son yıllarda malzeme mühendisleri, yeni malzemeler tasarlamak amacıyla hangi tür malzemelerin elektronik bant boşlukları, oluşum enerjileri ve mekanik özellikler gibi belirli özelliklere sahip olabileceğini tahmin etmek için makine öğrenimi modellerine yönelmiştir. Ancak, bu modelleri eğitmek için gerekli olan malzeme özelliklerine ilişkin veriler sınırlıdır çünkü malzemeleri test etmek pahalı ve zaman alıcıdır.

Bu durum, IISc Malzeme Mühendisliği Bölümü'nde Yardımcı Doçent olan Sai Gautam Gopalakrishnan liderliğindeki araştırmacıları bu zorluğun üstesinden gelmek için çalışmaya sevk etti. Yeni bir çalışmada, belirli malzeme özelliklerinin değerlerini tahmin etmek için transfer öğrenimi adı verilen bir makine öğrenimi yaklaşımını kullanmanın etkili bir yolunu buldular.

Transfer öğrenmede, büyük bir model önce büyük bir veri kümesi üzerinde önceden eğitilir ve daha sonra daha küçük bir hedef veri kümesine uyum sağlamak için ince ayar yapılır. Gopalakrishnan, “Bu yöntemde model önce görüntüleri kediler ve kedi olmayanlar olarak sınıflandırmak gibi basit bir görevi yapmayı öğrenir ve daha sonra doku görüntülerini kanser teşhisi için tümör içerenler ve içermeyenler olarak sınıflandırmak gibi belirli bir görev için eğitilir,” diye açıklıyor.

Makine öğrenimi modelleri, görüntü gibi girdi verilerini işler ve görüntüde bulunan şekilleri tanımlamak gibi çıktılar üretir. Modelin ilk katmanı ham görüntü girdisini alır. Sonraki katmanlar görüntüden kenarlar gibi özellikleri çıkarır ve bunlar aşamalı olarak rafine edilir. Son katmanlar, şekiller gibi daha üst düzey özellikleri tanımak ve sınıflandırmak için bu özellikleri birleştirir.

Bu modeller, herhangi bir malzemenin üç boyutlu kristal yapısı gibi grafik yapılı verilerle çalışan Grafik Sinir Ağları (GNN'ler) gibi çeşitli mimariler kullanılarak oluşturulabilir. GNN'lerde her katmandaki bilgi düğümler (bir yapıdaki atomlar) olarak temsil edilir ve düğümler arasındaki bağlantılar kenarlar (atomlar arasındaki bağlar) olarak temsil edilir. Mevcut çalışma için araştırma ekibi GNN tabanlı bir model geliştirmiştir.

Katmanların sayısı ve nasıl bağlandıkları gibi GNN mimarisi, modelin verilerdeki karmaşık özellikleri ne kadar iyi öğrenebileceğini ve tanıyabileceğini belirler. Ekip ilk olarak model için gereken en uygun mimariyi ve malzeme özelliklerini tahmin etmek için gereken eğitim verisi boyutunu belirledi. İlk yazar ve Malzeme Mühendisliği Bölümü doktora öğrencisi Reshma Devi, ayrıca sadece bazı katmanları ayarlayıp diğerlerini “dondurarak” modeli önceden eğittiklerini açıklıyor.

Optimize edilmiş ve önceden eğitilmiş bu modele girdi olarak dielektrik sabiti ve malzemenin oluşum enerjisi gibi malzeme özelliklerine ilişkin veriler sağladılar, böylece model piezoelektrik katsayısı gibi belirli malzeme özelliklerinin değerlerini tahmin edebildi.

Ekip, önce önceden eğitilen ve daha sonra ince ayar yapılan transfer öğrenme tabanlı modellerinin, sıfırdan eğitilen modellerden çok daha iyi performans gösterdiğini tespit etti. Ayrıca Çok Özellikli Ön Eğitim (MPT) adı verilen bir çerçeve kullanarak modellerini aynı anda yedi farklı yığın 3D malzeme özelliği üzerinde ön eğitime tabi tuttular. Dikkat çekici bir şekilde, bu model eğitilmediği 2D malzemeler için bant aralığı değerini de tahmin edebildi.

Ekip şimdi bu modeli, iyonların bir bataryadaki elektrotlar içinde ne kadar hızlı hareket edebileceğini tahmin etmek için kullanıyor ve bu da potansiyel olarak daha iyi enerji depolama cihazları oluşturmaya yardımcı olabilir.

Gopalakrishnan, “Ayrıca, Hindistan'ın yarı iletken üretimine yönelik çabalarına katkıda bulunabilecek nokta kusurları oluşturma eğilimlerini tahmin ederek daha iyi yarı iletkenler yapmak için de kullanılabilir” diye ekliyor.