Los científicos han demostrado una forma de aumentar las posibilidades de resolver estructuras de materiales alimentando datos de múltiples experimentos y teorías en un "optimizador global" que utiliza algoritmos matemáticos para reducir el rango de posibles soluciones basadas en su análisis de los conjuntos de datos complementarios.
Materiales con químicos, óptico, y las propiedades electrónicas impulsadas por estructuras que miden mil millonésimas de metro podrían conducir a tecnologías energéticas mejoradas, desde células solares más eficientes hasta baterías densas en energía de mayor duración. Instrumentos científicos como los del Centro de Nanomateriales Funcionales (CFN) de Brookhaven Lab y el recién inaugurado National Synchrotron Light Source II (NSLS-II), ambas instalaciones para usuarios de la Oficina de Ciencias del DOE, ofrecen nuevas formas de estudiar materiales a esta escala de longitud nanométrica, incluso a medida que operan en dispositivos reales.
Estos experimentos producen enormes cantidades de datos, revelando detalles importantes sobre los materiales. Pero en este momento los científicos no tienen las herramientas computacionales que necesitan para usar esos datos para el diseño racional de materiales, un paso que es esencial para acelerar el descubrimiento de materiales con las características de desempeño requeridas para el mundo real. implementación a gran escala. Para lograr ese objetivo, lo que se necesita es una nueva forma de combinar los datos de una variedad de experimentos junto con descripciones teóricas del comportamiento de los materiales en modelos predictivos válidos que los científicos pueden usar para desarrollar nuevos materiales poderosos.
"Existe una gran posibilidad de que la experiencia en computación de alto rendimiento y algoritmos matemáticos aplicados desarrollados con el apoyo de la Oficina de Investigación en Computación Científica Avanzada (ASCR) del DOE pueda ayudarnos a avanzar en esta frontera, "dijo Simon Billinge, físico en el Laboratorio Nacional Brookhaven y en la Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia. En la conferencia SC14, Simon presentó una solución potencial que hace uso de la teoría matemática y herramientas computacionales para extraer la información esencial para fortalecer los modelos de desempeño de los materiales.
"Muchos de los modelos que tenemos para estos materiales no son robustos, ", dijo." Idealmente, nos gustaría poder programar en las propiedades que queremos, digamos, conversión eficiente de energía solar, superconductividad, masiva capacidad de almacenamiento eléctrico, y hacer que el modelo escupe el diseño de un nuevo material que tendrá esa propiedad, pero esto es claramente imposible con modelos poco fiables ".
Encontrar posibles soluciones para la estructura de un material mediante la optimización global de un modelo que incorpora datos de múltiples técnicas experimentales es computacionalmente costoso / requiere mucho tiempo, pero debe hacerse varias veces para comprobar si hay más de una solución compatible con los datos. Cada punto en estos diagramas triangulares representa una forma diferente de combinar las entradas de los tres experimentos y el color indica el número de soluciones de estructura encontradas para esa combinación (el rojo es la solución más singular). Solo cuando se hace para muchos puntos, los científicos pueden concentrarse en la solución común más probable que tenga en cuenta todos los datos. Se necesitan computadoras de alto rendimiento para manejar la escala de cálculo necesaria para dar resultados claros.
Poderosas herramientas experimentales como NSLS-II hacen posible experimentos más complejos. Pero irónicamente algunas de las nuevas técnicas dificultan el proceso de descubrimiento.
Billinge explica:"Los materiales reales y las aplicaciones reales dependen de los detalles finos de la estructura de los materiales, como defectos, superficies, y morfología, de modo que los experimentos que ayuden a revelar detalles estructurales finos son esenciales. Pero algunos de los materiales más interesantes son muy complejos, y luego se vuelven aún más complejos, dispositivos multicomponente. Cuando colocamos estos dispositivos complejos en una línea de rayos X o de dispersión de neutrones, las interacciones de las vigas con todos los componentes complejos producen resultados superpuestos. Está buscando pequeñas señales de defectos y superficies ocultas en un gran fondo de otra información de los componentes adicionales, todo lo cual degrada la información útil ".
Al mismo tiempo, la complejidad de los modelos que los científicos están tratando de construir para comprender estos materiales también está aumentando, por lo que necesitan más información sobre esos detalles esenciales para incorporarlos al modelo, no menos. Resolviendo estos problemas confiabilidad, dadas todas las incertidumbres, requiere enfoques matemáticos avanzados y computación de alto rendimiento, así que Simon y sus colaboradores están trabajando con ASCR en un enfoque doble para mejorar el proceso.
En el lado de entrada, combinan los resultados de varios experimentos:dispersión de rayos X, dispersión de neutrones, y también teoría. En el lado de salida, los científicos intentan reducir lo que se llama la dimensionalidad del modelo. Billinge explicó que esto es similar a la compresión que crea un archivo de música mp3 al eliminar información no esencial que la mayoría de la gente no notaría que falta.
"Si reducimos la complejidad para minimizar la información necesaria para resolver el problema, podemos ejecutarlo a través de potentes computadoras de alto rendimiento que utilizan métodos matemáticos avanzados derivados de la teoría de la información, cuantificación de la incertidumbre, y otras técnicas de análisis de datos para clasificar todos los detalles, ", dijo. Los algoritmos matemáticos pueden reunir la información complementaria de los diferentes experimentos, algo así como la parábola sobre los ciegos explorando diferentes partes de un elefante, pero ahora compartiendo y combinando sus resultados, y utilícelo para predecir la estructura de materiales complejos.
"Similar a un archivo mp3, falta información en estos modelos. Pero con la representación correcta puede ser lo suficientemente bueno como para tener valor predictivo y permitirnos diseñar nuevos materiales, "Dijo Billinge.
