Page 5 - ChemLife Sayı 32

5
ENDÜSTRIYEL TEKNOLOJILER www.chemlife.com.tr CHEMLIFE

KARBON MALZEMELERDE

MAKİNE ÖĞRENMESİ

Son yıllarda yeni malzemelerin alanına tabi olan, rasgele şekilli için Dieb ve ark. grafende katkılı nasıl sentezleneceğini öğrenebilen
karakterizasyonu ve keşfi için, bileşenlerin elektro-mekanik tepki- bor atomlarının en kararlı yapıla- bir robota beslenebilir. (9)
malzeme bilimi alanında büyük sini tahmin etmek için kullanılan bir rını aramak için ML yöntemleriyle
bir ilerleme görülmüştür. Bu alan; eğitim veri seti geliştirmek üzere, atom simülasyonlarını birleştirdi. Daha fazla gelişmenin deneysel
büyük verilerin kullanımı ve yöne- iletken karbon nanotüp-polimer (5) Bu dergide yayınlanan diğer bir verileri işleme ve uygulama biçimi-
timini, yüksek verimli hesaplama kompozitlerinin çok ölçekli mo- makalede Fernandez ve ark. 622 mizde devrim yapma potansiyeline
malzemeleri tekniklerini ve daha dellerini kullanmıştır. (1) Başka bir optimize edilmiş grafen yapısının sahip olması bekleniyor. Ayrıca,
yakın zamanlarda yapay zeka (AI) çalışmada, Gernand ve ark. daha elektronik özelliklerini (örneğin, öngörücü teorilerin geliştirilmesine
yöntemlerinin malzemelerle ilgili önce yayınlanmış çalışmalara da- elektron afinitesi, Fermi seviyesinin izin verecek ve hatta optimize edil-
sorunlara uygulanması konularını yanarak karbon nanotüp pulmoner enerjisi, elektronik bant boşluğu miş özelliklere sahip yeni davranış-
içermektedir. toksisitesini değerlendirmek ve ve iyonizasyon potansiyeli) yapısal ların ve malzemelerin keşfedilmesi-
gelecekteki gelişimi asgari riskle özellikleriyle ilişkilendirmek için ne izin verecek şekilde hazırlanıyor.
Bu alandaki hızlı büyümeyi açıkla- yönlendirmek amacıyla makine ML yöntemlerini kullanmıştır. (6) Bununla birlikte, ML'nin potansiye-
yan nedenler, azaltılmış boyutsallık öğrenme tekniğini kullanmıştır. Mevcut verilerin % 30'unu test lini ve büyük veri kümelerinin kul-
sistemlerinde elektronik davranışın (2) Carbon dergisinde yayınlanan seti olarak kullanan yazarlar, R2 ~ lanımını gerçekleştirmek için çok
giderek daha doğru teorik tanım- yakın tarihli diğer bir makalede ise, 0,9'un güçlü korelasyonu ile çok fazla çalışmaya ihtiyaç var.
larının geliştirilmesinden, giderek farklı ML algoritmaları ve yapay doğru olduklarını göstermişlerdir.
artan sayıda araştırmaya erişilebi- sinir ağı yapıları, kırılmayı tahmin Farklı bir ML uygulamasında Yang Kaynaklar:
len süper hesaplama gücüne kadar etmek için sistem sıcaklığı, gerilme ve ark. tek duvarlı karbon nanotü- 1- M.A.S. Matos, S.T. Pinho, V.L. Tagarielli-
uzanmaktadır. oranı, boşluk kusuru ve kiralite pün (SWCNT) tek sarmallı DNA’da- Application of machine learning to predi-
gibi çeşitli koşullar altında tek ki spesifik sekansını tahmin etmek ct the multiaxial strain-sensing response
MAKINE ÖĞRENMESI (ML), AI katmanlı grafenin mekanik özellik- için bir yöntem geliştirdi.(7) of CNT-polymer composites
YÖNTEMLERINE BIR ÖRNEKTIR lerini (Kırılma stresi / gerginliği ve 2- J.M. Gernand, E.A. CasmanMachine
Young modülü) tahmin etmek için Malzeme biliminde ML'nin giderek Learning for nanomaterial toxicity risk
Yöntem, performansın öğrenme ile kullanılmıştır. (3) Bu çalışmada, daha popüler olan bir başka uygu- assessment
birlikte geliştiği istatistiksel algo- eğitim veri setini oluşturmak için laması da, geliştirilmiş atomlararası 3- Z. Zhang, Y. Hong, B. Hou, Z. Zhang,
ritmaların uygulanmasına dayanır yüksek verimli hesaplamalar klasik potansiyellerin geliştirilmesidir. Ör- M. Negahban, J. ZhangAccelerated
(tipik bir ML işleminde öğrenme, moleküler dinamik (MD) simülas- neğin, Fujikake ve ark. lityum atom- discoveries of mechanical properties of
graphene using machine learning and
verilerin geri kalanında yapılırken yonu ile birleştirilmiştir. Çalışmanın larının grafen, grafit ve düzensiz high-throughput computation
mevcut verilerin bir kısmı üzerinde yazarları, bir dizi geleneksel ML karbon nanoyapıları ile etkileşiminin
- eğitim seti - gerçekleştirilir). Buna algoritmasının kullanımını araştır- fiziğini modellemek için bu yaklaşı- 4- H. Yang, Z. Zhang, J. Zhang, X.C. Zeng-
Machine learning and artificial neural
ek olarak, artık ML tekniklerinin dılar, böylece grafenin mekanik mı benimsedi. Burada atomlar arası network prediction of interfacial thermal
uygulanmasını kolaylaştırmak için özelliklerini tahmin etmek için her potansiyeller, yoğunluk fonksiyonel resistance between graphene and hexa-
mevcut olan kaynaklar ve araçlar, tekniğin yararlılığının geniş bir de- teorisi kullanılarak toplanan veriler gonal boron nitride
büyük veri ve yapay zeka kombi- ğerlendirmesini sağlamıştır. kullanılarak elde edilmiştir.(8) 5- T.M. Dieb, Z. Hou, K. TsudaStructure
nasyonunun bazı yazarlar tarafın- prediction of boron-doped graphene by
dan “dördüncü bilim paradigması” Yine başka bir çalışmada, sadece Genel olarak, son birkaç yıl içinde machine learning
olarak adlandırıldığı bir noktaya sistemin sıcaklığı, katmanlar ara- yayınlanan karbon materyalleri 6- M. Fernandez, H. Shi, A.S. BarnardGeo-
indirgenmiştir. ML yöntemlerinin sındaki bağlantı gücü hakkındaki üzerine birkaç ML çalışması, bu yeni metrical features can predict electronic
çok çeşitli malzemelere uygulanmış bilgiler kullanarak grafen ve hBN sayısal tekniklerin sahadaki etkisin properties of graphene nanoflakes
olmasına rağmen, nanoyapılı ve arasındaki arayüzey termal diren- ve vaatlerini zaten göstermektedir. 7- Y. Yang, M. Zheng, A. JagotaLearning to
düşük boyutlu yapılar (katmanlı cini tahmin etmek için öğrenme Örneğin ML algoritmaları, belirli yü- predict single-wall carbon nanotube-re-
malzemeler) dahil olmak üzere yeni veri kümesini, denetimli ML ve zey alanlarına ve mekanik / elektro- cognition DNA sequences, Npj Comput
ortaya çıkan malzemeler için özel- yapay sinir ağı modellerini oluş- nik özelliklere sahip üç boyutlu (3D) 8- S. Fujikake, V.L. Deringer, T.H. Lee, M.
likle yararlı oldukları kanıtlanmıştır. turmak için yüksek verimli klasik karbonun en kararlı sp2 hibrit form- Krynski, S.R. Elliott, G. CsányiGaussian
Örneğin, karbon bazlı malzemeler MD hesaplamaları kullanılmıştır. larını tahmin etmek için kullanıla- approximation potential modeling of
son zamanlarda ML teknikleri ile (4) Yazarlar, test edilen tüm algo- bilir. ML yaklaşımları ayrıca karbon lithium intercalation in carbon nanostruc-
tures
yürütülen birçok çalışmanın konu- ritmalar arasında derin bir sinir ağı nanotüplerin (CNT) spesifik kiralite
su olmuştur. yönteminin ML modellerine kıyasla ve elektronik özelliklere sahip de- 9- D.P. Tabor, L.M. Roch, S.K. Saikin, C.
en iyi tahmin sonuçlarını verdiğini neysel sentezi ile de ilişkilendirile- Kreisbeck, D. Sheberla, J.H. Montoya, et
al.Accelerating the discovery of materi-
MAKINE ÖĞRENIMININ tespit etmişlerdir. bilir. Bu durumda, sentez koşulları als for clean energy in the era of smart
KARBON MALZEMELERDE (örn., Sıcaklık, katalitik substrat, automation
KI UYGULAMALARI ÇOK ML ayrıca grafen içeren yabancı basınç, vb.) sentezlenen tüplerin *Bu makale CARBON Dergisinin 161. Sayı-
ÇEŞITLI ALT ALANLARI atomların özelliklerini anlamak tipini (metalik veya yarı iletken) sından derlenmiştir.
KAPSAMAKTADIR için de kullanılabilir. Heteroatom göstermek yerinde Raman spekt-
katkısı, grafene pek çok istenen rum çıkışı ile ilişkilendirilebilir. Bu
Örneğin Matos ve ark. tekdüze özellik kazandırdı ve uygulamalarını veriler daha sonra spesifik iletkenlik
olmayan, çok eksenli bir gerilme artırdı. Bu potansiyeli ele almak özelliklerine sahip karbon tübüllerin