Investigadores en Japón han desarrollado un enfoque que puede predecir mejor las propiedades de los materiales mediante la combinación de datos experimentales y de cálculo de alto rendimiento junto con el aprendizaje automático. El enfoque podría ayudar a acelerar el desarrollo de nuevos materiales, y fue publicado en la revista Ciencia y tecnología de materiales avanzados .

Los científicos utilizan la experimentación de alto rendimiento, que implican un gran número de experimentos paralelos, para mapear rápidamente las relaciones entre las composiciones, estructuras, y propiedades de los materiales fabricados a partir de cantidades variables de los mismos elementos. Esto ayuda a acelerar el desarrollo de nuevos materiales, pero generalmente requiere equipos costosos.

Cálculo de alto rendimiento, por otra parte, utiliza modelos computacionales para determinar las propiedades de un material en función de su densidad electrónica, una medida de la probabilidad de que un electrón ocupe una cantidad de espacio extremadamente pequeña. Es más rápido y más barato que los experimentos físicos, pero mucho menos preciso.

El experto en informática de materiales Yuma Iwasaki de los Laboratorios Centrales de Investigación de NEC Corporation, junto con colegas en Japón, combinó los dos métodos de alto rendimiento, tomando lo mejor de ambos mundos, y los combinó con el aprendizaje automático para agilizar el proceso.

"Nuestro método tiene el potencial de predecir con precisión y rapidez las propiedades de los materiales y, por lo tanto, acortar el tiempo de desarrollo de varios materiales, "dice Iwasaki.

Probaron su enfoque utilizando una película de hierro de 100 nanómetros de espesor, cobalto y níquel esparcidos sobre un sustrato de zafiro. Varias posibles combinaciones de los tres elementos se distribuyeron a lo largo de la película. Estas 'muestras de dispersión de composición' se utilizan para probar muchos materiales similares en una sola muestra.

El equipo primero llevó a cabo una técnica simple de alto rendimiento en la muestra llamada difracción combinatoria de rayos X. Las curvas de difracción de rayos X resultantes proporcionan información detallada sobre la estructura cristalográfica, composición química, y propiedades físicas de la muestra.

Luego, el equipo utilizó el aprendizaje automático para descomponer estos datos en curvas de difracción de rayos X individuales para cada combinación de los tres elementos. Los cálculos de alto rendimiento ayudaron a definir las propiedades magnéticas de cada combinación. Finalmente, Se realizaron cálculos para reducir la diferencia entre los datos experimentales y de cálculo.

Su enfoque les permitió mapear con éxito la "rotación de Kerr" del hierro, cobalto, y composición de níquel para untar, que representa los cambios que le ocurren a la luz cuando se refleja en su superficie magnetizada. Esta propiedad es importante para una variedad de aplicaciones en dispositivos fotónicos y semiconductores.

Los investigadores dicen que su enfoque aún podría mejorarse, pero que, tal y como está, permite mapear los momentos magnéticos de los diferenciales de composición sin la necesidad de recurrir a experimentos de alto rendimiento más difíciles y costosos.