Encontrar nuevos materiales funcionales siempre es complicado. Pero la búsqueda de propiedades muy específicas entre una familia relativamente pequeña de materiales conocidos es aún más difícil.

Pero un equipo de Northwestern Engineering y Los Alamos National Laboratory encontró una solución. El grupo desarrolló un flujo de trabajo novedoso que combina el aprendizaje automático y los cálculos de la teoría funcional de la densidad para crear pautas de diseño para nuevos materiales que exhiben propiedades electrónicas útiles. tales como ferroelectricidad y piezoelectricidad.

Pocos materiales en capas tienen estas cualidades en ciertas geometrías, cruciales para desarrollar soluciones para la electrónica, comunicación, y problemas energéticos, lo que significa que había muy pocos datos a partir de los cuales formular las directrices utilizando enfoques de investigación tradicionales.

"Cuando otros buscan nuevos materiales, por lo general, buscan en lugares donde tienen una gran cantidad de datos de materiales similares. No es necesariamente fácil de ninguna manera, pero sabemos cómo extraer información de grandes conjuntos de datos, "dijo James M. Rondinelli, profesor asistente de ciencia e ingeniería de materiales en la McCormick School of Engineering. "Cuando no tienes mucha información, aprender de los datos se convierte en un problema difícil ".

La investigación se describe en el artículo "Aprender de los datos para diseñar materiales funcionales sin simetría de inversión, "que aparece en el 17 de febrero, 2017, cuestión de Comunicaciones de la naturaleza . Prasanna Balachandran del Laboratorio Nacional de Los Alamos en Nuevo México es la coautora del artículo. Joshua Young, un ex estudiante de posgrado en el laboratorio de Rondinelli, y Turab Lookman, investigador senior en Los Alamos, también contribuyó.

Con el apoyo de fondos de la National Science Foundation y el Programa de Investigación y Desarrollo Dirigido por Laboratorios a través de Los Alamos, El grupo de Rondinelli se centró en una clase de óxidos complejos bidimensionales, u óxidos de Ruddlesden-Popper. Estos materiales exhiben muchas propiedades que habilitan la tecnología, como la ferroelectricidad y la piezoelectricidad, y se puede conectar con los materiales semiconductores tradicionales que se encuentran en los dispositivos electrónicos actuales.

"En esta familia, el conjunto de datos es insignificante. En la actualidad, solo hay alrededor de 10 a 15 materiales que se conocen con las propiedades deseadas, ", Dijo Rondinelli." No hay muchos datos con los que trabajar. Tradicionalmente, la ciencia de datos se utiliza para problemas de macrodatos en los que hay menos necesidad de conocimiento del dominio ".

"A pesar de la naturaleza de los datos pequeños del problema, "Balachandran agregó, "Nuestro enfoque funcionó porque pudimos combinar nuestra comprensión de estos materiales (conocimiento del dominio) con los datos para informar el aprendizaje automático".

Por lo tanto, el grupo comenzó a crear una base de datos de materiales conocidos y a utilizar el aprendizaje automático, un subcampo de la informática que construye algoritmos capaces de aprender de los datos y luego usar ese aprendizaje para hacer mejores predicciones. "Con el aprendizaje automático, somos capaces de identificar composiciones químicas que probablemente sean candidatas para el material que desea desarrollar, " él dijo.

De los más de 3, 000 posibles materiales investigados, el enfoque de la ciencia de datos encontró más de 200 con candidatos prometedores. Próximo, el equipo aplicó varios tipos de rigurosos cálculos de mecánica cuántica. Esto evaluó las estructuras atómicas de los materiales potenciales y verificó su estabilidad.

"Nos preguntamos:¿Tendría el material la estructura prevista? ¿Tiene polarización eléctrica? ¿Se puede fabricar en un laboratorio?" Añadió Rondinelli.

Este trabajo redujo las posibilidades a 19, que fueron recomendados para síntesis experimental inmediata. Sin embargo, es probable que haya muchas más posibilidades entre los 200 candidatos.

Típicamente, al desarrollar nuevos materiales, el número de posibilidades es demasiado grande para explorar y desarrollar cada una. El proceso de cribado de materiales potenciales es muy caro, y los científicos deben ser selectivos en sus inversiones.

"Nuestro trabajo tiene el potencial de ayudar a ahorrar una enorme cantidad de tiempo y recursos, Balachandran dijo. En lugar de explorar todos los materiales posibles, sólo se recomendarán para la investigación experimental aquellos materiales que tengan el potencial de ser prometedores ".