En un ensayo de septiembre de 2020 en Energía de la naturaleza , Tres científicos plantearon varios "grandes desafíos", uno de los cuales fue encontrar materiales adecuados para dispositivos de almacenamiento de energía térmica que pudieran usarse en conjunto con los sistemas de energía solar. Fortuitamente, Mingda Li, profesora adjunta Norman C. Rasmussen de ciencia e ingeniería nuclear en el MIT, quien dirige el Grupo de Materia Cuántica del departamento, ya estaba pensando en líneas similares. De hecho, Li y nueve colaboradores (del MIT, Laboratorio Nacional Lawrence Berkeley, y el Laboratorio Nacional de Argonne) estaban desarrollando una nueva metodología, que implica un enfoque novedoso de aprendizaje automático, que facilitaría y agilizaría la identificación de materiales con propiedades favorables para el almacenamiento de energía térmica y otros usos.

Los resultados de su investigación aparecen este mes en un artículo para Ciencia avanzada . "Este es un enfoque revolucionario que promete acelerar el diseño de nuevos materiales funcionales, "comenta el físico Jaime Fernandez-Baca, un distinguido miembro del personal del Laboratorio Nacional de Oak Ridge.

Un desafío central en la ciencia de los materiales, Li y sus coautores escriben:es "establecer relaciones estructura-propiedad", es decir, averiguar las características que tendría un material con una estructura atómica determinada. El equipo de Li se centró, en particular, sobre el uso del conocimiento estructural para predecir la "densidad de fonones de los estados, "que tiene una influencia crítica en las propiedades térmicas.

Para entender ese término, es mejor comenzar con la palabra phonon. "Un material cristalino se compone de átomos dispuestos en una estructura reticular, "explica Nina Andrejevic, un doctorado estudiante de ciencia e ingeniería de materiales. "Podemos pensar en estos átomos como esferas conectadas por resortes, y la energía térmica hace vibrar los resortes. Y esas vibraciones que solo ocurren a frecuencias o energías discretas [cuantificadas], son lo que llamamos fonones ".

La densidad de estados de fonones es simplemente el número de modos vibracionales, o fonones, que se encuentran dentro de una determinada frecuencia o rango de energía. Conociendo la densidad de fonones de los estados, se puede determinar la capacidad de transporte de calor de un material, así como su conductividad térmica, que se relaciona con la facilidad con que el calor atraviesa un material, e incluso la temperatura de transición superconductora en un superconductor. "Para fines de almacenamiento de energía térmica, quieres un material con un calor específico alto, lo que significa que puede absorber calor sin un aumento brusco de temperatura, "Li dice." También desea un material con baja conductividad térmica para que retenga su calor por más tiempo ".

La densidad de fonones de los estados, sin embargo, es un término difícil de medir experimentalmente o de calcular teóricamente. "Para una medida como esta, hay que ir a un laboratorio nacional para utilizar un gran instrumento, unos 10 metros de largo, para obtener la resolución energética que necesita, "Dijo Li." Eso es porque la señal que estamos buscando es muy débil ".

"Y si desea calcular la densidad de fonones de los estados, la forma más precisa de hacerlo se basa en la teoría de perturbación funcional de densidad (DFPT), "señala Zhantao Chen, un doctorado en ingeniería mecánica estudiante. "Pero esos cálculos escalan con el cuarto orden del número de átomos en el bloque de construcción básico del cristal, lo que podría requerir días de tiempo de cálculo en un clúster de CPU ". Para las aleaciones, que contienen dos o más elementos, los cálculos se vuelven mucho más difíciles, posiblemente tomando semanas o incluso más.

El nuevo método dice Li, podría reducir esas demandas computacionales a unos segundos en una PC. En lugar de intentar calcular la densidad de fonones de los estados a partir de los primeros principios, que es claramente una tarea laboriosa, su equipo empleó un enfoque de red neuronal, utilizando algoritmos de inteligencia artificial que permiten que una computadora aprenda del ejemplo. La idea era presentar a la red neuronal con datos suficientes sobre la estructura atómica de un material y su densidad de estados de fonones asociados para que la red pudiera discernir los patrones clave que conectan los dos. Después de "entrenar" de esta manera, Es de esperar que la red haga predicciones fiables de densidad de estados para una sustancia con una estructura atómica determinada.

Las predicciones son difíciles, Li explica, porque la densidad de estados de los fonones no puede describirse con un solo número sino con una curva (análoga al espectro de luz emitida en diferentes longitudes de onda por un objeto luminoso). "Otro desafío es que solo tenemos datos confiables [densidad de estados] para aproximadamente 1, 500 materiales. Cuando probamos el aprendizaje automático por primera vez, el conjunto de datos era demasiado pequeño para respaldar predicciones precisas ".

Su grupo luego se asoció con la física de Lawrence Berkeley Tess Smidt '12, un co-inventor de las llamadas redes neuronales euclidianas. "El entrenamiento de una red neuronal convencional normalmente requiere conjuntos de datos que contengan cientos de miles o millones de ejemplos, ", Dice Smidt. Una parte importante de la demanda de datos proviene del hecho de que una red neuronal convencional no comprende que un patrón 3D y una versión rotada del mismo patrón están relacionados y en realidad representan lo mismo. Antes de que pueda reconocer patrones 3D -en este caso, la disposición geométrica precisa de los átomos en un cristal:una red neuronal convencional primero debe mostrar el mismo patrón en cientos de orientaciones diferentes.

"Debido a que las redes neuronales euclidianas entienden la geometría y reconocen que los patrones rotados todavía 'significan' lo mismo, pueden extraer la máxima cantidad de información de una sola muestra, ", Añade Smidt. Como resultado, una red neuronal euclidiana entrenada en 1, 500 ejemplos pueden superar a una red neuronal convencional entrenada en 500 veces más datos.

Usando la red neuronal euclidiana, el equipo predijo la densidad de fonones de los estados para 4, 346 estructuras cristalinas. Luego seleccionaron los materiales con las 20 capacidades de calor más altas, comparar los valores de densidad de estados pronosticados con los obtenidos a través de cálculos DFPT que consumen mucho tiempo. El acuerdo fue notablemente cercano.

El enfoque se puede utilizar para seleccionar materiales de almacenamiento de energía térmica prometedores, de acuerdo con el mencionado "gran desafío, ", Dice Li." Pero también podría facilitar enormemente el diseño de la aleación, porque ahora podemos determinar la densidad de estados para las aleaciones con la misma facilidad que para los cristales. Ese, Sucesivamente, ofrece una gran expansión en los posibles materiales que podríamos considerar para el almacenamiento térmico, así como muchas otras aplicaciones ".

Algunas aplicaciones tienen, De hecho, Ya empezadó. Se ha instalado un código informático del grupo MIT en las máquinas de Oak Ridge, permitiendo a los investigadores predecir la densidad de fonones de los estados de un material dado en función de su estructura atómica.

Andrejevic señala, es más, que las redes neuronales euclidianas tienen un potencial aún más amplio que aún no se ha explotado. "Pueden ayudarnos a descubrir propiedades importantes de los materiales además de la densidad de fonones de los estados. Así que esto podría abrir el campo en gran medida".

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.