Los materiales cristalinos están formados por átomos, iones o moléculas dispuestos en una estructura tridimensional ordenada. Se utilizan ampliamente para el desarrollo de semiconductores, productos farmacéuticos, fotovoltaicos y catalizadores.
El tipo de estructuras que entran en la categoría de materiales cristalinos continúa expandiéndose a medida que los científicos diseñan materiales novedosos para abordar los desafíos emergentes relacionados con el almacenamiento de energía, la captura de carbono y la electrónica avanzada.
Sin embargo, el desarrollo de tales materiales requiere formas precisas de identificarlos. Actualmente, la difracción de rayos X en polvo se utiliza ampliamente para este fin. Identifica la estructura de materiales cristalinos examinando rayos X dispersos de una muestra en polvo. Sin embargo, la tarea de identificación se vuelve bastante compleja cuando se trata de muestras multifásicas que contienen diferentes tipos de cristales con distintas estructuras, orientaciones o composiciones.
En tales casos, la identificación precisa de las distintas fases presentes en la muestra depende de la experiencia de los científicos, lo que hace que el proceso requiera mucho tiempo. Para acelerar este proceso, se han utilizado métodos innovadores basados en datos, como el aprendizaje automático, para distinguir fases individuales dentro de muestras multifase.
Si bien se han logrado avances sustanciales en su utilización para recopilar información sobre fases conocidas, la identificación de fases desconocidas en muestras multifásicas sigue siendo un desafío.
Ahora, sin embargo, los investigadores han propuesto un nuevo modelo de "clasificador binario" de aprendizaje automático que puede identificar la presencia de fases cuasicristalinas icosaédricas (i-QC), una especie de sólidos ordenados de largo alcance que tienen autosemejanza en sus patrones de difracción, de Patrones de difracción de rayos X en polvo multifásico.
Este estudio implicó la colaboración entre la Universidad de Ciencias de Tokio (TUS), la Academia de Defensa Nacional, el Instituto Nacional de Ciencia de Materiales, la Universidad de Tohoku y el Instituto de Matemática Estadística. Fue dirigido por el profesor asociado junior Tsunetomo Yamada de TUS, Japón, y publicado en Advanced Science. diario el 14 de noviembre de 2023.
"En todo el mundo, los investigadores han intentado predecir nuevas sustancias utilizando inteligencia artificial y aprendizaje automático. Sin embargo, identificar si se produce una sustancia deseada requiere mucho tiempo y esfuerzo por parte de los expertos humanos. Por eso se nos ocurrió la idea de utilizar el aprendizaje profundo para identificar nuevas fases", explica el Dr. Yamada.
Para desarrollar dicho modelo, los investigadores primero crearon un "clasificador binario" utilizando 80 tipos de redes neuronales convolucionales. Luego entrenaron el modelo clasificador utilizando patrones de difracción de rayos X multifásicos sintéticos, que fueron diseñados como representaciones de los patrones esperados asociados con las fases de i-QC. Después de la fase de entrenamiento, el rendimiento del modelo se evaluó utilizando patrones sintéticos y una base de datos de patrones reales.
Curiosamente, el modelo logró una precisión de predicción superior al 92%. También identificó con éxito una fase i-QC desconocida dentro de aleaciones multifásicas de Al-Si-Ru cuando se utilizó para detectar 440 patrones de difracción medidos de materiales desconocidos en seis sistemas de aleaciones diferentes. La presencia de la fase i-QC desconocida se confirmó aún más al analizar la microestructura y composición del material mediante microscopía electrónica de transmisión.
En particular, el método de aprendizaje profundo propuesto tiene la capacidad de identificar la fase i-QC incluso cuando no es el componente más destacado de la mezcla. Además, este modelo se puede utilizar para la identificación de nuevos QC decagonales y dodecagonales y también se puede ampliar a varios tipos de otros materiales cristalinos.
"Con el modelo propuesto, pudimos detectar fases cuasicristalinas desconocidas presentes en muestras multifásicas con gran precisión. La precisión de este modelo de aprendizaje profundo apunta a la posibilidad de acelerar el proceso de identificación de fases de muestras multifásicas", concluye el Dr. Yamada. . Además, el Dr. Yamada y su equipo confían en que este modelo supondrá un gran avance en el campo de la ciencia de los materiales.
En resumen, este estudio es un importante paso adelante en la identificación de fases completamente nuevas en cuasicristales que se encuentran comúnmente en materiales como sílice mesoporosa, minerales, aleaciones y cristales líquidos.
Más información: Hirotaka Uryu et al, El aprendizaje profundo permite la identificación rápida de un nuevo cuasicristal a partir de patrones de difracción de polvo multifásico, Ciencia avanzada (2023). DOI:10.1002/adv.202304546
Información de la revista: Ciencia avanzada
Proporcionado por la Universidad de Ciencias de Tokio
