El aprendizaje automático (ML) permite el cálculo preciso y eficiente de las propiedades electrónicas fundamentales de las superficies de óxido binarias y ternarias, como lo demuestran los científicos de Tokyo Tech. Su modelo basado en ML podría ampliarse a otros compuestos y propiedades. Los hallazgos, publicados en el Journal of the American Chemical Society , podría ayudar en la evaluación de las propiedades superficiales de los materiales, así como en el desarrollo de materiales funcionales.
El diseño y desarrollo de nuevos materiales con propiedades superiores exige un análisis exhaustivo de sus estructuras atómicas y electrónicas.
Los parámetros de energía electrónica, como el potencial de ionización (IP), la energía necesaria para eliminar un electrón del máximo de la banda de valencia, y la afinidad electrónica (EA), la cantidad de energía liberada al unirse un electrón al mínimo de la banda de conducción, revelan importantes información sobre la estructura de bandas electrónicas de superficies de semiconductores, aislantes y dieléctricos.
La estimación precisa de IP y EA en dichos materiales no metálicos puede indicar su aplicabilidad para su uso como superficies funcionales e interfaces en equipos fotosensibles y dispositivos optoelectrónicos.
Además, los IP y los EA dependen significativamente de las estructuras de la superficie, lo que añade otra dimensión al complejo procedimiento de su cuantificación. El cálculo tradicional de IP y EA implica el uso de cálculos precisos de primeros principios, donde los sistemas masivos y de superficie se cuantifican por separado. Este proceso, que requiere mucho tiempo, impide cuantificar las IP y los EA para muchas superficies, lo que requiere el uso de enfoques computacionalmente eficientes.
Para abordar los diversos problemas que afectan la cuantificación de IP y EA de sólidos no metálicos, un equipo de científicos del Instituto de Tecnología de Tokio (Tokyo Tech), dirigido por el profesor Fumiyasu Oba, ha centrado su atención en el aprendizaje automático.
El profesor Oba dice:"En los últimos años, el ML ha ganado mucha atención en la investigación de la ciencia de los materiales. La capacidad de examinar virtualmente materiales basados en la tecnología ML es una forma muy eficiente de explorar materiales novedosos con propiedades superiores. Además, la capacidad de Entrenar grandes conjuntos de datos utilizando cálculos teóricos precisos permite la predicción exitosa de importantes características de la superficie y sus implicaciones funcionales."
Los investigadores emplearon una red neuronal artificial para desarrollar un modelo de regresión, incorporando la superposición suave de posiciones atómicas (SOAP) como datos de entrada numéricos. Su modelo predijo de manera precisa y eficiente los IP y EA de las superficies de óxido binario utilizando información sobre estructuras cristalinas en masa y planos de terminación de superficies.
Además, el modelo de predicción basado en ML podría "transferir aprendizaje", un escenario en el que un modelo desarrollado para un propósito particular puede incorporar conjuntos de datos más nuevos y volver a aplicarse para tareas adicionales. Los científicos incluyeron los efectos de múltiples cationes en su modelo mediante el desarrollo de SOAP "aprendibles" y predijeron las IP y EA de los óxidos ternarios mediante el aprendizaje por transferencia.
El profesor Oba concluye:"Nuestro modelo no se limita a la predicción de las propiedades superficiales de los óxidos, sino que puede ampliarse para estudiar otros compuestos y sus propiedades".
Más información: Shin Kiyohara et al, Alineación de bandas de óxidos mediante redes neuronales aprendibles asistidas por descriptores estructurales y aprendizaje por transferencia, Revista de la Sociedad Química Estadounidense (2024). DOI:10.1021/jacs.3c13574
Información de la revista: Revista de la Sociedad Química Estadounidense
Proporcionado por el Instituto de Tecnología de Tokio
