Bir parça kalayı biraz bakırın içinde eritmek o eski metal ustasının aklına nasıl geldi bilemiyoruz, ama ortaya çıkan bronz alaşımı o zamana dek bilinen tüm malzemelerden daha sert ve dayanıklıydı. 7000 yıllık deney sürecinde bulunan malzemelerin çoğu rastgele keşfedilmişti ve metal ustalarının tek rehberi kimyasal sezgileri ile felsefe bilgileriydi.

İnsanlık tarihinin büyük bölümünde, yeni malzemelerin keşfi hakikaten de şans eseri olmuştur. Ancak 95 taneden fazla sayıda kararlı elementin varolduğu bir dünyada, olası kombinasyon sayısı içinden çıkılamaz hale gelir ve deneme-yanılma yöntemi bir yerden sonra son derece verimsiz bir yol olur. Bu nedenle, malzemebilimci Ramamurthy Rampi Ramprasad kimyasalları rastgele karıştırıp ortaya nasıl birşey çıkacağına bakmak yerine, malzemelerini akıllıca bir yöntemle tasarlamaya karar vermiş. Ramprasad, hangi atomik düzenlemelerin polimer oluşturacağını, iyi bir iletken olacağını ya da yalıtkan karakterde olacağını öngörmek için makine öğreniminden yararlanıyor.

Artık makine öğrenimi sayesinde sistematik araştırmalar yapmak mümkün olacak. Connecticut Üniversitesi araştırmacılarının geliştirdiği yöntem, milyonlarca kuramsal bileşiği tarayarak hedeflenen malzeme özellikleri için en uygun formülü bulabiliyor. Böylece çok daha iyi güneş pilleri, fiberler ve bilgisayar çipleri için ne gerektiği kolayca belirlenebilecek.

Ramprasad ve ekibi işe, bilinen polimerleri çözümleyerek başlamış. Çok emek ve dikkat isteyen yüksek doğruluklu kuantum mekaniksel hesaplamalarla, hangi atom düzenlemelerinin nasıl özellikler ortaya çıkardığını anladıktan sonra, ekip bu atomik düzeydeki ilişkileri bir dizi sayı ile ifade ederek, herbir polimerin bir nevi parmak izine sahip olmuş. Bunun ardından, istedikleri sayıda kuramsal polimer için bilgisayar taraması yaparak, hangisinin ne gibi özellikleri olabileceğini hızla öngörmeyi başarmışlar. Böylece belli özelliklere sahip bir polimere gerek duyulduğunda, bilgisayardan tarama isteyerek denemeye değer kuramsal polimerlerin listesini elde edebiliyorlar.

Kuantum mekaniksel hesaplamalar ve makine öğrenimi ile yapılan öngörülerin, hangi kimayasallar birleştiğinde nasıl özellikte bir maddenin ortaya çıkacağına ilişkin bilgisayar  tahminlerinin gayet başarılı olduğu da yapılan deneyler sonucunda ortaya kondu. "Bir malzemenin dielektrik sabiti ve bant genişliğine ilişkin, makine öğreniminden yararlanarak yaptığımız öngörülerin doğruluk derecesi bizi bile şaşırttı," diyor Ramprasad.

Polimerler üzerine yaptıkları çalışmanın sonuçlarını geçtiğimiz haftalarda Scientific Reports dergisinde yayımlanan bir makale ile paylaşan ekip, ayrıca makine öğrenimine ilişkin elde ettikleri bulguları da Chemistry of Materials dergisinde özetledi. Yanısıra, Ramprasad'ın ekibi değerlendirdikleri polimerlerin listesini internet üzerinde Khazana adını verdikleri bir sayfada biriktiriyorlar.

 

---

Kaynak: EurekAlert, "Building a better mouse trap, from the atoms up"
< http://www.eurekalert.org/pub_releases/2016-03/uoc-bab030416.php >

İlgili Makaleler:

• Chemistry of Materials, "From Organized High-Throughput Data to Phenomenological Theory using Machine Learning: The Example of Dielectric Breakdown"
  < http://pubs.acs.org/doi/abs/10.1021/acs.chemmater.5b04109 >


• Scientific Reports, "Machine Learning Strategy for Accelerated Design of Polymer Dielectrics"
  < http://www.nature.com/articles/srep20952?WT.ec_id=SREP-20160216&spMailingID=50707457&spUserID=MzcwNDE0MDA2MjcS1&spJobID=861988392&spReportId=ODYxOTg4MzkyS0 >

---