Stockholms universitet logo, länk till startsida

Artificiell intelligens sparar tid i jakten på framtidens elektronik

Artificiell intelligens hjälper forskare att undvika tidsödande och slumpmässiga experiment. En forskargrupp vid Nordita har tagit fram AI-baserade verktyg för att snabbare än idag hitta material som kan användas i framtidens elektronik – och kanske även för att lösa ett av de stora olösta mysterierna i universum.

Molekylen på bilden – ett av de drygt 40 000 material som återfinns i Organic Materials Database – kan transportera en elektronisk laddning. En egenskap som gör materialet lämpligt som halvledare och potentiellt användbart i framtidens elektronik.

Det har blivit möjligt tack vare en grupp forskare vid fysikcentrumet Nordita. Forskarna har ägnat de senaste fem åren åt att bygga upp databasen, Organic Materials Database. Databasen rymmer information om atomstruktur hos drygt 40 000 så kallade organiska kristallina material. Under ledning av professor Alexander Balatsky har forskarna utvecklat matematiska algoritmer för att söka igenom databasen. Algoritmerna har sedan ”tränats” att förstå hur atomernas placering och struktur hos ett visst material är förknippade med vissa egenskaper.

Algoritmer förutsäger hur material kan användas

Med denna ”artificiella kunskap”, som Nordita-forskarna kallar det, kan algoritmerna förutsäga, utan ytterligare experiment, hur materialet skulle kunna användas. Kan materialet absorbera solljus, och därmed ha potential att lagra el från solpaneler? Har det förmåga att leda elektroner utan motstånd vid rumstemperatur? Eller kan materialet fungera som halvledare, och därmed ersätta kisel i transistorer och elektroniska kretsar? Kanske kan det också avge ljus med en specifik färg? Det skulle kunna göra materialet lämpligt att använda i dataskärmar.

Datormodelleringar ger dessutom möjlighet att förutsäga egenskaper (och möjlig användning) inte bara hos de drygt fyrtio tusen materialen i databasen, utan hos ytterligare drygt 150 000 material. 

Sparar tid för forskare och företag

Matthias Geilhufe
Matthias Geilhufe, forskare vid Nordita.

Datormodelleringen fungerar som en slags screening, som sparar tid och pengar för forskare både inom akademi och teknikbolag, berättar Matthias Geilhufe. Han ingår i forskargruppen vid Nordita, och stod nyligen bakom en vetenskaplig artikel som publicerades i tidskriften Nature Physics.

Istället för att producera en rad olika material och testa deras egenskaper, ett arbete som kan ta åratal av laboratoriearbete, kan forskare framöver fokusera sina insatser på ett fåtal troliga kandidater, som sållats ut av algoritmerna. Även om algoritmerna inte pekar ut rätt material vid första försöket, har de förmåga att lära sig och successivt förbättra sökningen, så kallad maskininlärning.
– Maskininlärning hjälper oss att fylla i våra kunskapsluckor: ’titta närmare här, analysera det här området av molekylen’. Det är lite som att fråga ett kartprogram att leta efter en sushirestaurang nära kontoret. säger Matthias Geilhufe.

Letar efter material till kvantdatorer

Matthias Geilhufe använder själv databasen, och de nu utvecklade AI-verktygen, för att leta efter material till kvantdatorer. Målet är att hitta en molekyl som har en metallatom centralt placerad – ett sådant material har egenskaper som gör det lämpligt för att producera stabila så kallade qubits, informationsbärande kvantbitar som behövs för att tillverka en kvantdator.

Fler än 700 användare har redan anmält sig för att utforska databasen. Några av dem kanske hittar byggstenar till framtidens bildskärmar eller kvantdatorer. Möjligen finns också någonstans i databasen ett material som hjälper oss att hitta spår av den gåtfulla mörka materia som ingen hitintills har kunnat upptäcka, trots att den utgör en så stor del av vårt universum. Mattias Geilhufe konstaterar att framöver blir det upp till användarna av databasen att hitta användbara material, med hjälp av de AI-verktyg som han och hans kollegor har utvecklat.

Text: Naomi Lubick
Översättning: Henrik Lundström

Finansiering av forskningen
Forskningen finanseras genom ERC Synergy Grant ‘HERO’, VILLUM FONDEN via Centre of Excellence for Dirac Materials, Knut and Alice Wallenberg Foundation, Vetenskapsrådet och Swedish National Infrastructure for Computing (SNIC).

Etiketter