Mapa de suavidad en estructura vidriosa. Crédito:Rajesh Ganapathy
El vidrio es de naturaleza amorfa:su estructura atómica no implica la disposición repetitiva que se observa en los materiales cristalinos. Pero de vez en cuando, se somete a un proceso llamado desvitrificación, que es la transformación de un vidrio en cristal, a menudo un proceso no deseado en las industrias. La dinámica de la desvitrificación sigue siendo poco conocida porque el proceso puede ser extremadamente lento, abarcando décadas o más.
Ahora, un equipo de investigadores dirigido por Rajesh Ganapathy, Profesor asociado en el Centro Jawaharlal Nehru de Investigación Científica Avanzada (JNCASR), en colaboración con Ajay Sood, Cátedra DST Year of Science y profesora en el Instituto Indio de Ciencias (IISc), y su doctorado. El estudiante Divya Ganapathi (IISc) ha visualizado la desvitrificación por primera vez en experimentos. Los resultados de este estudio han sido publicados en Física de la naturaleza .
"El truco consistía en trabajar con un vidrio hecho de partículas coloidales. Dado que cada partícula coloidal puede considerarse un sustituto de un solo átomo, pero siendo diez mil veces más grande que el átomo, su dinámica se puede observar en tiempo real con un microscopio óptico. También, para acelerar el proceso, ajustamos la interacción entre las partículas para que sea suave y los reordenamientos en el vidrio ocurrieron con frecuencia, "dice Divya Ganapathi.
Para hacer un vaso, Divya Ganapathi y el equipo juntaron los coloides para alcanzar altas densidades. Los investigadores observaron diferentes regiones del vidrio siguiendo dos rutas hacia la cristalización:una ruta mediada por avalanchas que involucra reordenamientos rápidos en la estructura, y una ruta de crecimiento suave con reordenamientos que ocurren gradualmente con el tiempo.
Para obtener información sobre estos hallazgos, Luego, los investigadores utilizaron métodos de aprendizaje automático para determinar si había alguna característica estructural sutil oculta en el vidrio que a priori decide qué regiones cristalizarían más tarde y por qué ruta. A pesar de que el vidrio está desordenado, el modelo de aprendizaje automático pudo identificar una característica estructural llamada "suavidad" que se había encontrado anteriormente para decidir qué partículas en el vidrio se reorganizan y cuáles no.
Luego, los investigadores encontraron que las regiones en el vidrio que tenían grupos de partículas con grandes valores de "suavidad" eran las que cristalizaban y que la "suavidad" también era sensible a la ruta de cristalización. Quizás el hallazgo más sorprendente que surgió del estudio fue que los autores alimentaron su modelo de aprendizaje automático con imágenes de un vidrio coloidal y el modelo predijo con precisión las regiones que cristalizaron con días de anticipación. "Esto allana el camino para una técnica poderosa para identificar y ajustar la 'suavidad' con mucha anticipación y evitar la desvitrificación, "dice Ajay Sood.
Comprender la desvitrificación es crucial en áreas como la industria farmacéutica, que se esfuerza por producir fármacos amorfos estables ya que se disuelven más rápido en el cuerpo que sus homólogos cristalinos. Incluso los desechos nucleares líquidos se vitrifican como un sólido en una matriz de vidrio para eliminarlos de manera segura a gran profundidad y evitar que los materiales peligrosos se filtren al medio ambiente.
Los autores creen que este estudio es un paso significativo hacia la comprensión de la conexión entre la estructura subyacente y la estabilidad del vidrio. "Es realmente genial que un algoritmo de aprendizaje automático pueda predecir dónde se cristalizará el vidrio y dónde permanecerá vidrioso. Este podría ser el paso inicial para diseñar lentes más estables como el Gorilla Glass en los teléfonos móviles". que es omnipresente en la tecnología moderna, ", dice Rajesh Ganapathy. La capacidad de manipular parámetros estructurales podría marcar el comienzo de nuevas formas de realizar estados vítreos de larga duración y tecnológicamente significativos.