Deze AI bedenkt zelf nieuwe materialen voor de chips van de toekomst

Computerchips worden steeds beter en dat hebben we vooral te danken aan het noeste werk van duizenden onderzoekers. Elke combinatie van elementen levert immers een ander materiaal op, met andere eigenschappen en de enige manier om te weten of iets werkt, is testen in het lab of via computersimulaties. Dat duurt jaren en kost fortuinen. Onderzoekers hebben daarom AI ingeschakeld en dat versnelt het proces dramatisch.

Onderzoekers van de Australische Flinders University en Khalifa University in Abu Dhabi hebben een algoritme getraind op duizenden materialen die al bekend zijn in de chipwereld. Het systeem kon zo de logica leren waarmee bepaalde stoffen zich op een specifieke manier gedragen. Op basis daarvan kon het algoritme nieuwe samenstellingen voorstellen. In deze studie werd gekeken naar toepassingen met gallium, een metaal dat een steeds grotere rol speelt in de elektronicawereld.

Waarom gallium?

Galliumverbindingen zitten al jaren in hoogwaardige chips. Ze zijn onder meer belangrijk voor snelle schakelingen, infraroodsensoren en de elektronica in magnetrons. Galliumarsenide, de bekendste verbinding, is voor sommige toepassingen zelfs efficiënter dan het silicium dat de chipwereld domineert.

Maar gallium kun je combineren met allerlei andere elementen en bij elke variant gedraagt de stof zich net even anders. Hoe vind je dan die ene formule die precies geschikt is voor bijvoorbeeld een zonnecel of een ledlamp?

Gerichter zoeken dan voorheen

De onderzoekers hebben zich gericht op een eigenschap die wetenschappers de band gap noemen, in het Nederlands de bandkloof. Die bepaalt hoe een halfgeleider zich gedraagt ten opzichte van elektriciteit en licht en dus waar je het materiaal voor kunt gebruiken.

Een kleine band gap is geschikt voor toepassingen waar licht met lage energie efficiënt moet worden omgezet, zoals in bepaalde types zonnecellen. Een middelgrote is dan weer geknipt voor leds en optische apparatuur, omdat ze op een efficiënte manier zichtbaar licht kunnen produceren en schakelen. Materialen met een grote band gap gedragen zich eerder als isolatoren en zijn daarom interessant voor zware elektronica en apparaten die bestand moeten zijn tegen hoge temperaturen en straling.

Door de AI heel gericht naar specifieke band gap-waardes te laten zoeken (tussen de 0,5 en 3,5 elektronvolt, voor wie het exact wil weten) wordt het zoeken veel gerichter dan met huidige methoden.

Leestip: Paddenstoelen als computeronderdeel? Daar zijn onderzoekers echt mee bezig

Geen wilde verzinsels

Het systeem gebruikt een methode die Bayesiaanse optimalisatie heet. Na elke ronde leert het algoritme beter waar het moet kijken en het stuurt zichzelf bij richting de meest kansrijke kandidaten. Daarbij wordt ook gekeken of elk voorstel in de echte wereld kan bestaan. Materialen die niet kunnen bestaan, vliegen er meteen uit. Dat scheelt onderzoekers later in het lab een hoop nutteloos werk.

Het resultaat, zo staat te lezen in de studie, is een rits aan compleet nieuwe galliumverbindingen die nog niet bekend waren. Het zijn stuk voor stuk kandidaten die laboratoria nu gericht kunnen gaan onderzoeken, in plaats van eindeloos in het duister te tasten.

Wat heb jij eraan?

Op de korte termijn zul je hier niets van merken. Maar als deze aanpak doet wat de makers hopen, zal de jacht op betere chipmaterialen veel gemakkelijker worden. En dat zal er uiteindelijk voor zorgen dat zowat alle apparaten die je in het dagelijks leven gebruikt beter worden. Je zonnepanelen werken dan efficiënter, je batterijen gaan langer mee, de ledlampen in je huis verbruiken minder en je smartwatch wordt minder snel warm. Maar tegen de tijd dat het zover is, ben je deze studie waarschijnlijk al lang vergeten.

Schrijf je in voor de nieuwsbrief! Ook elke dag vers het laatste wetenschapsnieuws in je inbox? Of elke week? Schrijf je hier in voor de nieuwsbrief!

Uitgelezen? Luister ook eens naar de Scientias Podcast: