长期以来，微观尺度和宏观尺度模拟的集成一直是材料科学计算中的一个挑战。为了解决这个问题，研究人员开发了AGAT，这是一种机器学习模型，可以有效地预测可穿戴电子产品中使用的材料的行为，特别是关注碳纳米管/PDMS复合材料。
基于人工神经网络(ANN)嵌入式图注意网络的结构，建立了AGAT模型。嵌入的人工神经网络层用于从碳纳米管的长度和半径预测杨氏模量，作为分子模型和中尺度模型之间的桥梁。
利用广泛的多尺度模拟数据和现有文献，该模型已经过训练，可以高精度地评估CNT/PDMS复合材料的材料传感特性。
AGAT模型大大减少了柔性电子设备所必需的材料特性的计算开销。通过弥合详细分子模拟和实际宏观应用之间的差距，该模型使设计人员能够探索新材料并高效地优化电子界面。
研究结果发表在《国家科学开放》杂志上。这项研究由王晓楠教授和于玲杰博士领导。
更多信息:余凌杰等人，一种基于机器学习的桥接CNTs/PDMS复合材料多尺度模拟方法，National Science Open(2024)。引文:人工智能方法提高可穿戴电子材料多尺度模拟的效率(2024,5月6日)检索自2024年5月6日https://techxplore.com/news/2024-05-ai-approach-efficiency-material-multiscale.html本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
