VILLUM Investigator - Bjørk Hammer¶
New research project in the group of Bjørk Hammer:
In Danish:
Computermodellering af materialeegenskaber er et stærkt forskningsværktøj til at skabe dyb forståelse af hvorledes moderne materialer er opbygget på den atomare skala, og kan forklare observationer inden for fx kemisk katalyse, solceller og elektronik. Modelleringen tager udgangspunkt i en beskrivelse af materialets krystal- og overfladestruktur. Traditionelt har vi programmeret computerne til direkte at bestemme disse strukturer, og det har været kombinationen af menneskelig erfaring og systematik, der har sikret, at de rigtige modeller blev fundet.
Med den nye VILLUM Investigator satsning vil jeg – i tråd med en generel ny tendens i computerprogrammering – indføre machine learning i mit forskningsfelt. Med machine learning træner man computeren i at genkende mønstre fremfor eksplicit at programmere den i hvilke mønstre der forefindes. Fremadrettet skal computerne således selv bestemme de efterspurgte krystal- og overfladestrukturer. Perspektiverne i satsningen er store, idet computer-træningen givet store nok datamængder erfaringsmæssigt er mere pålidelig end vores nuværende tilgang.
Som VILLUM Investigator agter jeg at etablere en ny standard for hvorledes avancerede materialers struktur bestemmes pålideligt, og jeg vil primært benytte den udviklede ekspertise til sammen med eksperimentalister at undersøge opbygningen og virkningen af katalytiske materialeoverflader.
Eksempel metal-oxid:
Ovenfor vises et antal forskellige overfladestrukturer for en metal-oxid ordnet således at strukturerne til højre er de mest stabile i termodynamisk forstand. Strukturerne deler stoichiometri, dvs. de har det samme antal atomer af hhv. metal og ilt. En analyse foretaget af en forsker af kød og blod (et menneske) vil let kunne udpege de “pæneste” og “oftest forekommende” elementer i de forskellige overfladestrukturer. Givet informationen om hvilke strukturer, der er de mest stabile, vil forskeren således kunne formulere et antal fælles karakteristika ved sådanne stabile strukturer og dermed kunne postulere regler for hvordan en stabil struktur konstrueres. Disse regler vil kunne programmeres som en computerkode og vil kunne danne grundlag for en automatiseret søgning efter andre stabile strukturer.
Problemet med den skitserede tilgang er at forskerens evne til at formulere de nævnte regler vil blive begrænsende for søgningens succes, både i kraft af tiden, der bruges på idéfase og programmering og i kraft af et menneskes naturligt begrænsede evne til at formulere modeller af stigende kompleksitet og numeriske detalje.
Med machine learning skal forskeren ikke være involveret i idéfase eller programmering. Her er det forskerens opgave at gøre store datamængder tilgængelig for en generel computerkode, der efterfølgende udnytter det enorme beregningspotentiale af moderne computere til med adaptive modeller (fx kunstige neurale netværk) at opbygge pålidelige modeller til reproduktion af stabiliteten af kendte strukturer og forudsigelse af stabiliteten af ukendte strukturer. Når en sådan tilgang virker godt falder punkter med x=”faktiske stabiliteter” og y=”reproducerede/forudsagte stabiliteter” på en ret linie. Nedenfor vises et sådan plot baseret på nogle hundrede forskellige strukturer ala de viste:
I VILLUM-projektet vil implementeringen af machine learning metoder give nye muligheder for beregningsmæssigt at forudsige struktur og aktivitet af komplekse materialeoverflader. Specifikt tænkes på at undersøge overflader af interesse for kemisk katalyse, der er en teknisk disciplin af betydning for industriel katalyse og ikke mindst for miljøbeskyttende teknologier som fx rensning af udstødningsrøg.
En første artikel, der omhandler machine learning teknikker i forbindelse med strukturbestemmelse kan findes her (kræver abonnement): Combining Evolutionary Algorithms with Clustering toward Rational Global Structure Optimization at the Atomic Scale