Liputan6.com, Jakarta - Para peneliti di Northwestern University telah mengembangkan kerangka kerja baru menggunakan Machine Learning yang meningkatkan akurasi potensi interatomik--aturan panduan yang menjelaskan bagaimana atom berinteraksi--dalam desain material baru.
Temuan ini dapat mengarah pada prediksi lebih akurat tentang bagaimana material baru mentransfer panas, berubah bentuk, dan gagal pada skala atom.
Advertisement
Merancang bahan nano baru merupakan aspek penting dalam mengembangkan perangkat generasi berikutnya yang digunakan di dalam elektronik, sensor, pemanenan dan penyimpanan energi, detektor optik, dan bahan struktural.
Guna merancang bahan-bahan ini, para peneliti menciptakan potensi interatomik melalui pemodelan atomistik, yakni pendekatan komputasi yang memprediksi bagaimana bahan-bahan ini berperilaku dengan memperhitungkan sifat-sifatnya pada tingkat terkecil.
Proses untuk menetapkan potensi interatomik material--disebut parameterisasi --membutuhkan intuisi kimia dan fisika yang signifikan, yang mengarah pada prediksi desain material baru yang kurang akurat.
Platform yang dikembangkan para peneliti ini meminimalkan intervensi pengguna dengan menggunakan optimasi algoritme genetika multi-objektif dan teknik analisis statistik, dan menyaring potensi interatomik dan sekelompok parameter yang menjanjikan.
Terbit di Jurnal
"Algoritme komputasi yang kami kembangkan menyajikan metodologi untuk menilai dan menghindari kekurangan [metode] tradisional," kata Horacio Espinosa, James N. dan Nancy J. Farley, para profesor yang memimpin penelitian ini.
"Algoritme ini juga menyediakan sarana untuk menyesuaikan parameterisasi dengan aplikasi yang diminati," sambungnya.
Temuan ini terbit dalam sebuah makalah berjudul "Parametrization of Interatomic Potentials for Accurate Large Deformation Pathways Using Multi-Objective Genetic Algorithms and Statistical Analyses: A Case Study on Two-Dimensional Materials" pada 21 Juli di Nature Partner Journals - Computational Materials.
Advertisement
Urutan Langkah
Kerangka tersebut menggunakan data latih dan penyaringan yang diperoleh dari hasil simulasi teori fungsi kepadatan, diikuti dengan langkah evaluasi yang meliputi analisis komponen utama dan analisis korelasi.
"Kami menetapkan sebuah urutan langkah untuk mencapai pendekatan pembelajaran berulang dengan tujuan OPtimalisasi tertentu," kata Espinosa.
