Makine öğrenmesi yenilenebilir enerjiye yeni malzemeler üretebilir

Hesaplamalı malzeme bilimi, modelleme, simülasyon ve teori kullanarak malzeme davranışını ve mekanizmalarını anlamayı, deneyleri açıklamayı ve yeni malzemeler ile malzeme teorilerini keşfetmeyi hedefleyen bir disiplindir.

Bir malzeme modellerken kullanılan büyük ölçeklerdeki elektron dizilimi hesaplamalarının doğru olması çok önemlidir. Makine öğrenimi ile bu hesaplamaların kesinliği sağlanabilir.

Yeni bir makro/molekül tasarlamada elektronların düzeni veya dizilimi, farklı uygulamalı alanlarda hayati önemdedir. Fakat farklı zaman ve uzunluk ölçülerinde hem ölçeklenebilirlik hem de yüksek doğruluk oranı sunan bir simülasyon tekniğininin olmaması, bu teknolojilerin ilerlemesi için bir engel teşkil etmektedir.

Almanyadan ve Amerika Birleşik Devletlerinden araştırmacılar geleneksel elektronik yapı simülasyon tekniklerinin yerini alan makine öğrenimi tabanlı bir simülasyon yöntemine öncülük ettiler. Materials Learning Algorithms (MALA)¹ yazılımı daha önce ulaşılamamış uzunluk ölçülerine erişim sağlar.

Maddenin elektronik yapısını anlamak ve kontrol etmek, bize gezegenlerin yapısı ve enerji aktarımı, moleküllerin reaktivitesi ve malzeme kusurlarının avantaj ve dezavantajları hakkında fikir vermektedir. Malzeme alanında yaşanan bilimsel zorluklar, yüksek performanslı bilgi işlem yeteneklerinden yararlanan hesaplamalı modelleme ve simülasyon yoluyla daha fazla ele alınabilir. Ancak, kuantum hassasiyetiyle gerçekçi simülasyonlar elde etmenin önündeki önemli engellerden biri de farklı uzunluk ve zaman ölçeklerinde ölçeklenebilirlik ve yüksek doğruluğu birleştiren, tahmine dayalı bir modelleme tekniğinin olmamasıdır.

Klasik atomistik simülasyon yöntemleri, büyük ve karmaşık sistemleri idare edebilmektedir fakat kuantum elektronik yapısı ihmal edilirse uygulanabilirlikleri kısıtlanır. Tersine, ampirik modelleme ve parametre uydurma gibi varsayımlara dayanmayan simülasyon yöntemleri yüksek doğruluk sağlar ancak hesaplama açısından zordur. Örneğin, yaygın olarak atom ve moleküllerin elektronik yapısını ve özelliklerini hesaplamak için kullanılan yoğunluk fonksiyonel teorisi (DFT), sistem boyutuyla kübik ölçekleme sergiler ve böylece öngörü yeteneklerini küçük ölçeklerle sınırlandığından çok sayıda elektron içeren sistemlerin hesaplamalarında  daha az hesaplama gücü gerektirir.

Derin öğrenmeye dayalı hibrit yaklaşım

Açık kaynaklı bir python paketi olan Materials Learning Algorithms (MALA) yeni bir simülasyon yöntemi olarak Sandia Ulusal Laboratuvarları (SNL) ve Gelişmiş Sistemler Anlayış Merkezi (CASUS) tarafından ortaklaşa geliştirilmiştir. MALA, bilgisayar biliminde belirli bir sorunu çözmek için bir yazılım uygulaması oluşturmak üzere birleştirilen algoritmalar ve yazılım bileşenleri koleksiyonudur. MALA’nın ana geliştiricisi olan Lenz Fiedler, MALA’nın malzemelerin elektron dizilimi tahmin etmek için makine öğrenimini fizik tabanlı yaklaşımlarla bütünleştirdiğini söylüyor.

MALA yazılım yığını, uzaydaki atomların dizilişini girdi olarak alır ve bir kartezyen grid noktası etrafındaki atomların uzamsal düzenini kodlayan, iki spektrumlu bileşenler olarak bilinen parmak izlerini üretir. MALA’daki makine öğrenimi modeli, bu atomik komşuluğa dayalı elektronik yapıyı tahmin etmek için eğitilmiştir.  MALA’nın önemli bir avantajı ise, makine öğrenimi modelinin sistem boyutundan bağımsız olmasıdır. Ayrıca küçük sistemlerden gelen veriler üzerinde eğitilmesine ve herhangi bir ölçekte dağıtılmasına izin vermektedir.

MALA, geleneksel algoritmalara kıyasla birkaç bin atomdan oluşan daha küçük sistem boyutları için 1.000 kattan daha fazla hızlanma elde etti. Üstelik ekip, MALA’nın 100.000’den fazla atom içeren, büyük ölçekteki elektronik yapı hesaplamalarını doğru bir şekilde gerçekleştirebileceğini gösterdi. Özellikle, bu başarı geleneksel DFT kod limitlerine karşın elde edildi.

Attila Cangi şöyle açıklıyor: “Sistemin boyutu arttıkça ve daha fazla atom işin içine girdikçe, DFT hesaplamaları uygulanamaz hale gelirken MALA’nın hız avantajı artmaya devam ediyor. MALA’nın en önemli atılımı, yerel atomik ortamlarda çalışma yeteneğidir ve bu, sistem boyutundan minimum düzeyde etkilenen doğru sayısal tahminler sağlar. Bu çığır açan başarı, bir zamanlar elde edilemez olarak kabul edilen hesaplamaları mümkün kılmaktadır.“².

Uygulamalı araştırma için artış bekleniyor

Cangi, makine öğreniminden yararlanarak elektronik yapı hesaplamalarının sınırlarını zorlamayı hedefliyor.

“Artık önemli ölçüde daha büyük sistemleri benzeri görülmemiş bir hızda simüle etmek için bir yöntemimiz olduğundan, MALA’nın elektron dizilimi hesaplamalarında bir dönüşümü tetikleyeceğini tahmin ediyoruz. Gelecekte, araştırmacılar, enerji sektöründe yeni malzemeler geliştirmek adına yarıiletken cihazların büyük ölçekli simülasyonlarını yürütmek, malzeme kusurlarını incelemek ve sera gazını (karbondioksit vb.) iklim dostu minerallere dönüştürmek için kimyasal reaksiyonları keşfetmek te dahil olmak üzere önemli ölçüde iyileştirilmiş bir temele dayalı çok çeşitli toplumsal zorlukları ele alabileceklerdir.”

Ayrıca, MALA’nın yaklaşımı özellikle yüksek performanslı bilgi işlem (HPC) için uygundur.  MALA, sistem boyutu büyüdükçe, kullandığı bilgi işlem gridinde bağımsız işlemeyi mümkün kılarak, özellikle grafik işlem birimleri olmak üzere HPC kaynaklarından etkin bir şekilde yararlanır³.

Siva Rajamanickam, “MALA’nın elektron dizilimi hesaplamaları algoritması, dağıtılmış hızlandırıcılara sahip modern HPC sistemleriyle iyi eşleşmektedir. İşi ayrıştırma ve farklı hızlandırıcılar arasında paralel ve farklı ızgara noktalarında yürütebilmesi, MALA’yı HPC kaynaklarında ölçeklenebilir makine öğrenimi için ideal hale getirerek elektronik yapı hesaplamalarında benzersiz hız ve verimliliğe yol açar.” dedi².

Sonuç olarak, iklim değişikliği, yeşil enerji ve enerji verimliliğiyle ilgili küresel zorlukların aşılmasında yeni malzemeler ile üretilmiş pil teknolojileri geliştirmede MALA’nın katkısı büyük olacaktır. MALA malzemelerinin daha iyi anlaşılıp modellenmesinde, elektron dizilimi hesaplamalarında, enerji sektörü teknolojilerinin ilerlemesinde ve daha birçok alanda yardımcı olacak gibi gözüküyor. 

Kaynaklar

1. https://zenodo.org/record/7219757
2. https://phys.org/news/2023-07-machine-enables-accurate-electronic-large.html
3. Fiedler, L., Modine, N. A., Schmerler, S., Vogel, D. J., Popoola, G. A., Thompson, A. P., … & Cangi, A. (2023). Predicting electronic structures at any length scale with machine learning. npj Computational Materials, 9(1), 115.