Maschinenlernen zeigt thermische Schalter

Ein neues Verfahren von Forschern der University of Tennessee nutzt erstmals maschinelles Lernen zur Identifizierung eines thermischen Schalters. Xiangyu Li und Shaodong Zhang haben spezielle NEP-Computermodelle darauf trainiert, wie Atome auf Sub-Nanometer-Skala miteinander interagieren. Ihre Forschungsergebnisse sind im "International Journal of Thermal Sciences" und in "npj Computational Materials" publiziert.

Prognose dank Simulation

Bei hochporösen Materialien wie Graphenschaum hilft diese Technik, thermische und mechanische Eigenschaften durch die Simulation atomarer Bewegungen und Wechselwirkungen vorherzusagen. Sie ermöglicht Modellierungen dazu, wie sich die Materialien unter verschiedenen Bedingungen, wie etwa bei Kompression, verhalten, und zu verstehen, wie sich ihre Struktur verändert.