En un nuevo estudio en Química de Materiales , los científicos de LLNL Wonseok Jeong y Tuan Anh Pham desarrollaron un enfoque que combina el aprendizaje automático con la espectroscopia de absorción de rayos X (XANES) para dilucidar la especiación química de los nitruros de carbono amorfos.

La investigación ofrece nuevos conocimientos profundos sobre la estructura atómica local de los sistemas y, en un contexto más amplio, representa un paso crítico en el establecimiento de un marco automatizado para la caracterización rápida de materiales heterogéneos con estructuras intrincadas.

Desentrañar la estructura atómica de materiales heterogéneos, como los residuos carbonosos producidos por la detonación de explosivos potentes, ha planteado un desafío importante para los científicos de materiales. El proceso suele ser laborioso y, en muchos casos, implica el uso de parámetros empíricos.

Para abordar este desafío excepcional, el enfoque integrado del equipo comienza con el desarrollo de potenciales de aprendizaje automático capaces de explorar de manera eficiente el vasto espacio de configuración de los nitruros de carbono amorfos como un sistema representativo. Este modelo basado en redes neuronales permite la identificación de estructuras locales representativas dentro del material, proporcionando información sobre cómo estas estructuras evolucionan con la composición química y la densidad.

Al combinar estos potenciales de aprendizaje automático con simulaciones atomísticas de alta fidelidad, los investigadores establecen correlaciones entre las estructuras atómicas locales y las firmas espectroscópicas. Esta correlación sirve como base para interpretar los datos experimentales de XANES, lo que permite la extracción de información química crucial de espectros complejos.

"En nuestro estudio, nuestro objetivo era abordar el desafío de larga data de caracterizar los productos de detonación y los materiales desordenados en general mediante la integración de métodos computacionales con técnicas experimentales", dijo Jeong, el primer autor del artículo.

"Nuestro enfoque no sólo mejora nuestra comprensión de estos materiales, sino que también sienta las bases para estudios similares en diferentes sistemas de materiales y métodos de caracterización. Por ejemplo, el enfoque se puede emplear fácilmente para predecir la especiación elemental para una amplia gama de residuos carbonosos y proporcionar insumos para mejorar los modelos de detonación", afirmó Pham, investigador principal del proyecto.

Los hallazgos del estudio representan un avance significativo en el campo de la ciencia de los materiales y ofrecen un marco sólido para dilucidar la especiación atómica de sistemas desordenados. Además, la versatilidad del enfoque significa que puede adaptarse fácilmente para investigar otras clases de materiales y sondas de caracterización experimental, allanando el camino para la interpretación en tiempo real de mediciones espectroscópicas.

El estudio implica una colaboración entre investigadores de diversos orígenes, destacando la naturaleza interdisciplinaria de la investigación de LLNL. A medida que los científicos continúan explorando la frontera del diseño y la caracterización de materiales, enfoques innovadores como este prometen desbloquear nuevas oportunidades para la innovación tecnológica y el descubrimiento científico, afirmó Jeong.

Otros coautores del artículo incluyen a Wenyu Sun, Marcos Calegari Andrade, Liwen Wan, Trevor Willey y Michael Nielsen.