Быстрое отслеживание поиска энергоэффективных материалов
Докторант Нина Андреевич сочетает методы спектроскопии и машинного обучения для выявления новых и ценных свойств вещества.
Департамент ядерной науки и техники
Докторант Массачусетского технологического института Нина Андреевич (справа) вместе со своей сестрой-близнецом Йованой (слева), кандидатом наук из Гарвардского университета, разработала метод тестирования образцов материалов для прогнозирования наличия топологических характеристик, который является более быстрым и универсальным, чем другие методы.
When she graduates this winter, Nina Andrejević will head to Argonne National Laboratory, where she plans to focus on designing physics-informed neural networks.
Родившись в семье архитекторов, Нина Андреевич любила создавать рисунки своего дома и других зданий, когда была ребенком в Сербии. Она и ее сестра-близнец разделяли эту страсть, а также страсть к математике и естественным наукам. Со временем эти интересы сошлись на научном пути, который имеет некоторые общие черты с семейной профессией, по словам Андреевича, кандидата наук в области материаловедения и инженерии в Массачусетском технологическом институте.
“Архитектура-это одновременно творческая и техническая область, где вы пытаетесь оптимизировать функции, которые вам нужны для определенных видов функциональности, таких как размер здания или планировка различных комнат в доме”, - говорит она. Она считает, что работа Андреевича в области машинного обучения похожа на работу архитекторов: “Мы начинаем с пустого сайта — математической модели со случайными параметрами — и наша цель состоит в том, чтобы обучить эту модель, называемую нейронной сетью, чтобы она обладала желаемой функциональностью”.
Андреевич является докторантом-консультантом Мингда Ли, доцента кафедры ядерных наук и инженерии. Будучи научным сотрудником в Группе квантовых измерений Ли, она обучает свои модели машинного обучения поиску новых и полезных свойств материалов. Ее работа в лаборатории была опубликована в таких крупных журналах, как Nature Communications, Advanced Science, Physical Review Letters и Nano Letters.
Одна из областей, представляющих особый интерес для ее группы, - это топологические материалы. “Эти материалы представляют собой экзотическую фазу материи, которая может переносить электроны по поверхности без потери энергии”, - говорит она. “Это делает их очень интересными для создания более энергоэффективных технологий”.
Вместе со своей сестрой Йованой, докторантом в области прикладной физики Гарвардского университета, Андреевич разработала метод тестирования образцов материалов для прогнозирования наличия топологических характеристик, который является более быстрым и универсальным, чем другие методы.
Если конечной целью является “создание более эффективных, энергосберегающих технологий”,-говорит она,-“мы должны сначала знать, какие материалы являются хорошими кандидатами для этих применений, и это то, что наши исследования могут помочь подтвердить”.
Семена для этого исследования были посеяны более года назад. “Мы с сестрой всегда говорили, что было бы здорово сделать проект вместе, и когда Минда предложила это исследование топологических материалов, мне пришло в голову, что мы могли бы сделать это официальным сотрудничеством”, - говорит Андреевич. Сестры более похожи, чем большинство близнецов, отмечает она, разделяя многие академические интересы. “Быть близнецом - огромная часть моей жизни, и мы хорошо работаем вместе, помогая друг другу в областях, которые мы не понимаем”.
В диссертационной работе Андреевича, охватывающей несколько проектов, используются специализированные спектроскопические методы и анализ данных, подкрепленные машинным обучением, которое позволяет находить закономерности в огромных объемах данных более эффективно, чем даже самые высокопроизводительные компьютеры.
“Объединяющей нитью всех моих проектов является идея попытаться ускорить или улучшить наше понимание при применении этих инструментов определения характеристик и тем самым получить больше полезной информации, чем мы можем получить с помощью более традиционных или приближенных моделей”, - говорит она. В качестве примера можно привести исследования близнецов по топологическим материалам.
Чтобы выявить новые и потенциально полезные свойства материалов, исследователи должны исследовать их в атомном и квантовом масштабах. Методы нейтронной и фотонной спектроскопии могут помочь зафиксировать ранее неизвестные структуры и динамику, а также определить, как тепловые, электрические или магнитные поля и механические напряжения влияют на материалы на лилипутском уровне. Законы, управляющие этой сферой, где материалы ведут себя не так, как могли бы вести себя на макроуровне, - это законы квантовой механики.
Современные экспериментальные подходы к идентификации топологических материалов являются сложными с технической точки зрения и неточными, потенциально исключающими жизнеспособных кандидатов. Сестры верили, что смогут избежать этих ловушек, используя широко применяемую технику визуализации, называемую рентгеновской спектроскопией поглощения (XAS), и в паре с обученной нейронной сетью. XAS посылает сфокусированные рентгеновские лучи в материю,чтобы помочь отобразить ее геометрию и электронную структуру. Данные о радиации, которые он предоставляет, дают уникальную сигнатуру для отобранного материала.
“Мы хотели разработать нейронную сеть, которая могла бы идентифицировать топологию по сигнатуре XAS материала, что является гораздо более доступным измерением, чем другие подходы”, - говорит Андреевич. “Мы надеемся, что это позволит нам изучить гораздо более широкую категорию потенциальных топологических материалов”.
В течение нескольких месяцев исследователи передавали информацию своей нейронной сети из двух баз данных: одна содержала материалы, теоретически предсказанные как топологические, а другая содержала данные о поглощении рентгеновских лучей для широкого спектра материалов. “При правильном обучении модель должна служить инструментом, с помощью которого она считывает новые сигнатуры XAS, которых она раньше не видела, и сообщает вам, является ли материал, из которого получен спектр, топологическим”, - объясняет Андреевич.
Методика исследовательского дуэта продемонстрировала многообещающие результаты, которые они уже опубликовали в препринте “Спектральные индикаторы топологии машинного обучения”. “Для меня самое интересное в этих проектах машинного обучения-видеть некоторые базовые закономерности и понимать их в терминах физических величин", - говорит Андреевич.
Именно во время своего первого курса в Корнельском университете Андреевич впервые испытала удовольствие от изучения материи на интимном уровне. После курса нанонауки и наноинженерии она присоединилась к исследовательской группе, занимающейся визуализацией материалов в атомном масштабе. “Я чувствую, что я очень визуальный человек, и эта идея о том, чтобы видеть вещи, которые до этого момента были просто уравнениями или концепциями, — это было действительно захватывающе”, - говорит она. “Этот опыт приблизил меня к области материаловедения”.
Машинное обучение, имеющее ключевое значение для докторской работы Андреевича, будет занимать центральное место в ее жизни после Массачусетского технологического института. Окончив школу этой зимой, она прямиком направляется в Аргоннскую национальную лабораторию, где получила престижную стипендию Марии Гепперт Майер, присуждаемую “на международном уровне выдающимся ученым-докторантам и инженерам, которые находятся на ранних этапах многообещающей карьеры”. “Мы попытаемся разработать нейронные сети, основанные на физике, с акцентом на квантовые материалы”,-говорит она.
Это будет означать прощание с сестрой, с которой она никогда надолго не расставалась. “Все будет совсем по-другому”, - говорит Андреевич. Но, добавляет она, “Я очень надеюсь, что мы с Джованой будем больше сотрудничать в будущем, независимо от расстояния!”
ПОДЕЛИТЕСЬЭТОЙ НОВОСТНОЙ СТАТЬЕЙ НА:
ССЫЛКИ ПО ТЕМЕ
- Группа квантовых измерений
- Кафедра материаловедения и инженерии
- Кафедра ядерной науки и техники
- Инженерная школа
СВЯЗАННЫЕ ТЕМЫ
- Для студентов
- Профиль
- Аспирант, аспирант
- Материаловедение и инженерия
- Ядерная наука и техника
- Нанонаука и нанотехнологии
- Квантовая механика
- Машинное обучение
- Информатика и технологии
- Компьютерное моделирование
- Накопитель энергии
- Полупроводники
- Сотрудничество
- DMSE
- Инженерная школа