La base de données de nouveaux matériaux accélère l’innovation électronique

Une nouvelle base de données massive de propriétés de matériaux diélectriques pourrait accélérer le développement d’électronique comme les smartphones et les systèmes de stockage d’énergie.

Dans une collaboration entre Murata Manufacturing et le National Institute for Materials Science (NIMS), les chercheurs ont construit une nouvelle base de données complète de propriétés de matériaux diélectriques organisées à partir de milliers d’articles scientifiques.

Le étudepublié dans Science et technologie des matériaux avancés: méthodespropose également des informations qui pourraient accélérer le développement de matériaux électroniques et de technologies de stockage d’énergie de nouvelle génération.

La découverte des matériaux axée sur l’IA a un grand potentiel pour accélérer l’innovation, mais elle s’appuie sur des ensembles de données importants et divers. L’absence de telles données reste un goulot d’étranglement majeur sur le terrain.

Pour relever ce défi, les chercheurs ont utilisé le système Web StarryData2 pour collecter des données expérimentales sur plus de 20 000 échantillons de matériel de plus de 5 000 publications.

L’équipe NIMS a développé une approche standardisée pour extraire les données des graphiques, y compris les propriétés dépendantes de la température, qui sont souvent omises dans d’autres bases de données.

« Ce qui rend notre travail unique, c’est le processus méticuleux de traçage manuel des graphiques et de corriger les incohérences dans les articles de recherche originaux pour créer un ensemble de données propre et de haute qualité », ont déclaré les chercheurs.

La base de données se concentre sur une classe spécifique de matériaux nécessaires à l’électronique et est le plus grand jamais signalé, dépassant considérablement les collections précédentes.

Avec cette richesse d’informations, l’équipe a utilisé l’apprentissage automatique (ML) pour prédire les propriétés des matériaux et comment ils se comporteraient électroniquement.

Bien que les modèles ML aient été efficaces, ils ont initialement travaillé comme des «boîtes noires» – les chercheurs ne pouvaient pas voir pourquoi les modèles ont fait leurs prévisions.

Pour comprendre le contexte des prédictions, l’équipe a créé des cartes visuelles des données, ce qui rend les informations complexes plus faciles à interpréter. Ils ont utilisé des algorithmes de clustering pour regrouper automatiquement des matériaux similaires.

Cette analyse les a aidés à repérer les modèles dans la façon dont la composition d’un matériau affecte ses propriétés.

L’équipe a également été en mesure de classer les matériaux en groupes distincts, dont sept familles ferroélectriques importantes, fournissant un paysage mondial de l’ensemble de l’espace de composition.

L’équipe a examiné de plus près ABO3 Perovskites, une famille de matériaux qui sont des composants essentiels dans les appareils électroniques quotidiens et les technologies de stockage d’énergie, telles que les smartphones, les ordinateurs et les cellules solaires.

Leurs visualisations ont montré un lien simple entre la structure de base du matériau et sa permittivité diélectrique, qui coïncide avec les connaissances académiques précédentes.

Ce travail fait progresser notre compréhension des matériaux diélectriques et déplace des recherches au-delà des approches traditionnelles d’essais et d’erreurs.

« En organisant le plus grand ensemble de données comme jamais et en combinant diverses méthodes d’apprentissage automatique, nous avons réussi à visualiser le paysage de l’ensemble de l’espace de composition dans des détails sans précédent », a expliqué l’équipe.

L’équipe NIMS prévoit de rendre l’ensemble de données accessible au public l’année prochaine, permettant aux scientifiques du monde entier de le tirer parti pour de nouvelles découvertes.

Les travaux futurs peuvent impliquer l’élargissement de la collecte de données pour inclure les méthodes de fabrication et les conditions de traitement, permettant des prédictions plus complètes qui lieraient les processus de production aux propriétés des matériaux.

«Nous espérons que ce travail fondamental inspirera des initiatives de collecte de données similaires et de nouvelles approches de la découverte des matériaux, conduisant finalement à des voies de développement de matériaux plus intelligentes qui profitent à la société grâce à des technologies électroniques améliorées», ont conclu les chercheurs.