Diseñar materiales avanzados es un proceso complejo, con muchas combinaciones potenciales para colocar con precisión átomos dentro de una estructura. Pero ahora, Los científicos han desarrollado una nueva herramienta que ayuda a determinar las ubicaciones ideales, gracias a un algoritmo que identifica los mejores movimientos para ganar juegos de computadora, según un estudio publicado recientemente en la revista Ciencia y tecnología de materiales avanzados .

Científicos que diseñan materiales avanzados, que tienen aplicaciones en microchips de silicio o fibras ópticas, por ejemplo, a menudo luchan por determinar cómo colocar los átomos dentro de una estructura cristalina para lograr una función específica. Para mejorar este proceso, Investigadores en Japón desarrollaron un nuevo método llamado Diseño de materiales usando Tree Search (MDTS). Identifica las mejores posiciones atómicas utilizando un algoritmo llamado búsqueda de árbol de Monte Carlo, que ha sido empleado con éxito por los juegos de computadora para determinar los movimientos que traen los mejores resultados posibles.

El equipo utilizó su método para identificar la mejor manera de diseñar estructuras de aleación de silicio-germanio, que tienen una capacidad mínima o máxima para conducir el calor. Los materiales con una "conductancia térmica" mínima pueden recuperar el calor residual de los procesos industriales para su uso como fuente de energía. Los materiales con máxima conductancia térmica pueden alejar el calor de las unidades de procesamiento de la computadora.

La aleación tiene un cierto número de espacios atómicos que se pueden rellenar con silicio o germanio. El algoritmo MDTS pasa por un proceso de aprendizaje iterativo que calcula cuál de todas las posiciones posibles es la mejor para colocar silicio o germanio con el fin de lograr el grado deseado de conductancia térmica.

El equipo comparó su método con otro algoritmo de uso común para este propósito y encontró que MDTS era comparable o mejor en términos de tiempo computacional total. Su método también tiene una capacidad "sustancial" para aprender de los datos.

"MDTS es una herramienta práctica que los científicos de materiales pueden implementar fácilmente en sus propios problemas y tiene el potencial de convertirse en una opción estándar, "concluyen los investigadores.