Los investigadores de la Universidad Northwestern han desarrollado un nuevo marco utilizando el aprendizaje automático que mejora la precisión de los potenciales interatómicos (las reglas de guía que describen cómo interactúan los átomos) en el diseño de nuevos materiales. Los hallazgos podrían conducir a predicciones más precisas de cómo los nuevos materiales transfieren calor, deformar, y fallar a escala atómica.

El diseño de nuevos nanomateriales es un aspecto importante del desarrollo de dispositivos de próxima generación utilizados en electrónica. sensores, recolección y almacenamiento de energía, detectores ópticos, y materiales estructurales. Para diseñar estos materiales, los investigadores crean potenciales interatómicos a través de modelos atomísticos, un enfoque computacional que predice cómo se comportan estos materiales contabilizando sus propiedades en el nivel más pequeño. El proceso para establecer el potencial interatómico de los materiales, llamado parametrización, ha requerido una intuición química y física significativa, lo que lleva a una predicción menos precisa del diseño de nuevos materiales.

La plataforma de los investigadores minimiza la intervención del usuario mediante el empleo de técnicas de análisis estadístico y optimización de algoritmos genéticos multiobjetivo. y pantallas que prometen potenciales interatómicos y conjuntos de parámetros.

"Los algoritmos computacionales que desarrollamos brindan a los analistas una metodología para evaluar y evitar las deficiencias tradicionales, "dijo Horacio Espinosa, James N. y Nancy J. Farley Profesores de Fabricación y Emprendimiento y profesor de ingeniería mecánica y (por cortesía) de ingeniería biomédica e ingeniería civil y ambiental, quien dirigió la investigación. "También proporcionan los medios para adaptar la parametrización a las aplicaciones de interés".

Los hallazgos fueron publicados en un estudio titulado "Parametrización de potenciales interatómicos para vías de deformación grandes precisas utilizando algoritmos genéticos multiobjetivos y análisis estadísticos:un estudio de caso sobre materiales bidimensionales" el 21 de julio en Revistas de Nature Partner:materiales computacionales .

Xu Zhang y Hoang Nguyen, ambos estudiantes del programa de posgrado de Mecánica Teórica y Aplicada (TAM) de Northwestern Engineering, fueron los primeros coautores del estudio. Otros coautores incluyeron a Jeffrey T. Paci de la Universidad de Victoria, Canadá, Sankaranarayanan subramaniano del Laboratorio Nacional de Argonne, y José Mendoza de la Universidad Estatal de Michigan.

El marco de trabajo de los investigadores utiliza conjuntos de datos de entrenamiento y cribado obtenidos a partir de los resultados de la simulación de la teoría funcional de la densidad, seguido de un paso de evaluación que incluye análisis de componentes principales y análisis de correlación.

"Definimos una secuencia de pasos para alcanzar un enfoque de aprendizaje iterativo dados los objetivos de optimización específicos, "dijo Espinosa, quien dirige el programa TAM. "Nuestro enfoque estadístico permite a los usuarios alcanzar objetivos de optimización contradictorios que son importantes para establecer límites de aplicabilidad y transferibilidad a los potenciales parametrizados". Estas relaciones pueden revelar la física subyacente detrás de algunos fenómenos que parecen ser irrelevantes entre sí.

El equipo identificó una correlación positiva entre la precisión del potencial interatómico y la complejidad y el número de los parámetros establecidos, un fenómeno que se cree que es cierto en el campo. pero no probado previamente usando métodos cuantitativos. Este nivel de complejidad debe cumplirse con una cantidad proporcional de datos de entrenamiento. De no hacerlo, especialmente los datos que contienen información crítica, conduce a una precisión reducida.

Los investigadores encontraron, por ejemplo, que para mejorar la fidelidad de los potenciales interatómicos, Se requieren propiedades de no equilibrio y datos de coincidencia de fuerzas.

"Esto incluyó una mejor descripción de las grandes vías de deformación y fallas en los materiales, "Dijo Nguyen.

"Si bien estas no son propiedades convencionales a las que las personas se dirigen durante la parametrización, son fundamentales para comprender la confiabilidad y funcionalidad de los materiales y dispositivos, "Dijo Zhang.

El nuevo enfoque también ayuda a eliminar la barrera de la experiencia del usuario para ingresar a este campo de investigación. "A través de este trabajo, Esperamos dar un paso adelante al hacer que las técnicas de simulación reflejen con mayor precisión las propiedades de los materiales. Ese conocimiento se puede ampliar y eventualmente afectar el diseño de los dispositivos y la tecnología que todos usamos. "Dijo Zhang.

Próximo, los investigadores utilizarán sus modelos para ampliar su investigación para estudiar la fractura y deformación en materiales 2D, así como el papel de la ingeniería de defectos en la mejora de la tenacidad. También están desarrollando experimentos de microscopía electrónica in situ que revelarán modos de falla atomísticos, proporcionando una forma de evaluar las capacidades predictivas de los potenciales parametrizados.