Condensadores dada su alta producción de energía y velocidad de recarga, podría desempeñar un papel importante en la alimentación de las máquinas del futuro, desde coches eléctricos hasta teléfonos móviles.

Pero el mayor obstáculo para estos dispositivos de almacenamiento de energía es que almacenan mucha menos energía que una batería de tamaño similar.

Los investigadores del Instituto de Tecnología de Georgia están abordando ese problema de una manera novedosa, utilizando el aprendizaje automático para, en última instancia, encontrar formas de construir condensadores más capaces.

El método, que fue descrito el 18 de febrero en la revista Materiales computacionales npj y patrocinado por la Oficina de Investigación Naval de EE. UU., Implica enseñar a una computadora a analizar a nivel atómico dos materiales que componen algunos capacitores:aluminio y polietileno.

Los investigadores se centraron en encontrar una forma de analizar más rápidamente la estructura electrónica de esos materiales, buscando características que puedan afectar el rendimiento.

"La industria de la electrónica quiere conocer las propiedades electrónicas y la estructura de todos los materiales que utilizan para producir dispositivos, incluyendo condensadores, "dijo Rampi Ramprasad, profesor de la Escuela de Ciencia e Ingeniería de Materiales.

Tomemos un material como el polietileno:es un muy buen aislante con una gran banda prohibida, un rango de energía prohibido para los portadores de carga eléctrica. Pero si tiene un defecto, Se permiten portadores de carga no deseados en la banda prohibida, reduciendo la eficiencia, él dijo.

"Para comprender dónde están los defectos y qué papel juegan, necesitamos calcular toda la estructura atómica, algo que hasta ahora ha sido extremadamente difícil, "dijo Ramprasad, quien ocupa la Cátedra de la Familia Michael E. Tennenbaum y es el Erudito Eminente de Georgia Research Alliance en Sostenibilidad Energética. "El método actual de analizar esos materiales utilizando la mecánica cuántica es tan lento que limita la cantidad de análisis que se puede realizar en un momento dado".

Ramprasad y sus colegas, que se especializan en el uso del aprendizaje automático para ayudar a desarrollar nuevos materiales, usó una muestra de datos creada a partir de un análisis de mecánica cuántica de aluminio y polietileno como entrada para enseñarle a una computadora poderosa cómo simular ese análisis.

Analizar la estructura electrónica de un material con mecánica cuántica implica resolver la ecuación de Kohn-Sham de la teoría funcional de la densidad, que genera datos sobre funciones de onda y niveles de energía. Luego, esos datos se utilizan para calcular la energía potencial total del sistema y las fuerzas atómicas.

El uso del nuevo método de aprendizaje automático produce resultados similares ocho órdenes de magnitud más rápido que el uso de la técnica convencional basada en la mecánica cuántica.

"Esta aceleración sin precedentes en la capacidad computacional nos permitirá diseñar materiales electrónicos que son superiores a los que existen actualmente, ", Dijo Ramprasad." Básicamente podemos decir, "Aquí hay defectos con este material que realmente disminuirán la eficiencia de su estructura electrónica". Y una vez que podamos abordar esos aspectos de manera eficiente, podemos diseñar mejor los dispositivos electrónicos ".

Si bien el estudio se centró en el aluminio y el polietileno, El aprendizaje automático podría utilizarse para analizar la estructura electrónica de una amplia gama de materiales. Más allá de analizar la estructura electrónica, otros aspectos de la estructura del material ahora analizados por la mecánica cuántica también podrían acelerarse con el enfoque de aprendizaje automático, Dijo Ramprasad.

"En parte, seleccionamos aluminio y polietileno porque son componentes de un condensador, pero también nos permitió demostrar que puede utilizar este método para materiales muy diferentes, tales como metales que son conductores y polímeros que son aislantes, ", Dijo Ramprasad.

El procesamiento más rápido permitido por el método de aprendizaje automático también permitiría a los investigadores simular más rápidamente cómo las modificaciones en un material afectarán su estructura electrónica. potencialmente revelando nuevas formas de mejorar su eficiencia.