• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Química
    El nuevo enfoque determina diseños de materiales óptimos con datos mínimos

    Crédito:Universidad Northwestern

    Los investigadores de la Universidad Northwestern han desarrollado un nuevo enfoque computacional para acelerar el diseño de materiales que exhiben transiciones metal-aislante (MIT), una clase poco común de materiales electrónicos que han mostrado potencial para impulsar el diseño futuro y la entrega de sistemas de información cuántica y microelectrónica más rápidos:tecnologías fundamentales detrás de los dispositivos de Internet de las cosas y centros de datos a gran escala que impulsan la forma en que los humanos trabajan e interactúan con otros.

    La nueva estrategia, una colaboración entre los profesores James Rondinelli y Wei Chen, técnicas integradas de inferencia estadística, teoría de la optimización, y física de materiales computacionales. El enfoque combina la optimización bayesiana multiobjetivo con procesos gaussianos de variable latente para optimizar características ideales en una familia de materiales MIT llamados espinelas lacunares complejas.

    Cuando los investigadores buscan nuevos materiales, por lo general, buscan en lugares donde ya existen datos existentes sobre materiales similares. El diseño de muchas clases de propiedades de materiales se ha acelerado en trabajos existentes con métodos basados ​​en datos con la ayuda de la generación de datos de alto rendimiento junto con métodos como el aprendizaje automático.

    Tales enfoques, sin embargo, no han estado disponibles para los materiales del MIT, categorizados por su capacidad para cambiar reversiblemente entre estados eléctricamente conductores y aislantes. La mayoría de los modelos MIT están construidos para describir un solo material, haciendo que la generación de los modelos sea a menudo un desafío. Al mismo tiempo, Los métodos convencionales de aprendizaje automático han mostrado una capacidad predictiva limitada debido a la ausencia de datos disponibles. dificultando el diseño de nuevos materiales MIT.

    "Los investigadores entienden cómo extraer información de grandes conjuntos de datos de materiales donde existe y cuando las características adecuadas están disponibles, "dijo Rondinelli, profesor de ciencia e ingeniería de materiales y profesor Morris E. Fine de materiales y fabricación en la Escuela de Ingeniería McCormick, y autor correspondiente del estudio. "Pero, ¿qué hace cuando no tiene grandes conjuntos de datos o las características necesarias? Nuestro trabajo interrumpe este status quo al construir modelos predicativos y exploratorios sin requerir grandes conjuntos de datos o características a partir de un pequeño conjunto de datos".

    Un documento que describe el trabajo, titulado "La optimización adaptativa sin funciones acelera el diseño funcional de materiales electrónicos, "fue publicado el 6 de noviembre en la revista Revisión de física aplicada .

    El método del equipo de investigación, llamado motor de optimización avanzada (AOE), omite los modelos de descubrimiento tradicionales basados ​​en el aprendizaje automático mediante el uso de un enfoque de modelado de procesos gaussianos de variables latentes, que solo requiere las composiciones químicas de los materiales para discernir su naturaleza óptima. Esto permitió que el AOE basado en la optimización bayesiana buscara de manera eficiente materiales con capacidad de sintonización de banda prohibida (resistividad eléctrica / conductividad) y estabilidad térmica (sintetizabilidad) óptimas, dos características que definen los materiales útiles.

    Para validar su enfoque, El equipo analizó cientos de combinaciones químicas utilizando simulaciones basadas en la teoría de la función de densidad y encontró 12 composiciones previamente no identificadas de espinelas lacunares complejas que mostraban una funcionalidad y capacidad de síntesis óptimas. Estos materiales del MIT son conocidos por albergar texturas de giro únicas, una característica necesaria para impulsar el futuro Internet de las cosas y otras tecnologías que consumen muchos recursos.

    "Este avance supera las limitaciones tradicionales impuestas por los diseños de materiales basados ​​en la intuición química, "dijo Chen, Profesor Wilson-Cook en Diseño de Ingeniería y profesor y presidente de ingeniería mecánica, y coautor del estudio. "Al replantear el diseño de materiales funcionales como un problema de optimización, no solo hemos encontrado una solución al desafío de trabajar con datos limitados, pero también demostró la capacidad de descubrir de manera eficiente nuevos materiales óptimos para la electrónica del futuro ".

    Si bien los investigadores probaron su método en materiales inorgánicos, creen que el enfoque también se puede aplicar a materiales orgánicos, como el diseño de secuencias de proteínas en biomateriales o secuencias de monómeros en materiales poliméricos. El modelo también ofrece orientación para tomar mejores decisiones hacia el diseño óptimo de materiales al elegir compuestos candidatos ideales para simular.

    "Nuestro método allana el camino para la optimización de múltiples propiedades y el co-diseño de materiales multifuncionales complejos donde los datos y conocimientos previos son escasos, "Dijo Rondinelli.

    El trabajo en este estudio nació de un proyecto que explora la optimización bayesiana en el descubrimiento de materiales dentro del programa de clúster interdisciplinario de Ciencia Predictiva y Diseño de Ingeniería (PSED) patrocinado por The Graduate School at Northwestern. Fue apoyado por fondos de la National Science Foundation y el programa DIFFERENTIATE de la Agencia de Proyectos de Investigación Avanzada — Energy (ARPA-E), que busca utilizar tecnologías de inteligencia artificial emergentes para abordar los principales desafíos energéticos y ambientales.

    "Este trabajo destaca el impacto del clúster de diseño interdisciplinario PSED colaborativo, ", Dijo Chen." También enfatiza los avances cruciales que ocurren en IA y aprendizaje automático en Northwestern en diseño y optimización ".


    © Ciencia https://es.scienceaq.com