El espacio de materiales de granularidad gruesa que utiliza representaciones de Wyckoff permite el descubrimiento eficiente de materiales basados en datos. Un flujo de trabajo de descubrimiento de materiales impulsado por aprendizaje automático que aprovecha los beneficios de la representación de Wyckoff propuesta. El flujo de trabajo utiliza un modelo de aprendizaje automático para predecir las energías de formación de los materiales candidatos en una biblioteca enumerada de representaciones de Wyckoff (las formas se utilizan para indicar diferentes posiciones de Wyckoff y los colores para indicar diferentes tipos de elementos). Estas energías de formación pronosticadas luego se comparan con el casco convexo conocido de estabilidad. Las estructuras que satisfacen las simetrías requeridas se generan y relajan para obtener materiales que se prevé que sean estables. Las energías calculadas de las estructuras relajadas se pueden comparar con el casco convexo conocido para confirmar si el candidato es estable. Crédito:Avances científicos (2022). DOI:10.1126/sciadv.abn4117
Los investigadores han diseñado un método de aprendizaje automático que puede predecir la estructura de nuevos materiales con cinco veces la eficiencia del estándar actual, eliminando un obstáculo clave en el desarrollo de materiales avanzados para aplicaciones como el almacenamiento de energía y la energía fotovoltaica.
Los investigadores, de las universidades de Cambridge y Linkoping, han diseñado una forma de predecir la estructura de los materiales dados sus elementos constitutivos. Los resultados se informan en la revista Science Advances .
La disposición de los átomos en un material determina sus propiedades. La capacidad de predecir este arreglo computacionalmente para diferentes combinaciones de elementos, sin tener que hacer el material en el laboratorio, permitiría a los investigadores diseñar y mejorar materiales rápidamente. Esto allana el camino para avances como mejores baterías y energía fotovoltaica.
Sin embargo, hay muchas formas en que los átomos pueden "empaquetarse" en un material:algunos empaques son estables, otros no. Determinar la estabilidad de un empaquetamiento es computacionalmente intensivo, y no es práctico calcular cada arreglo posible de átomos para encontrar el mejor. Este es un cuello de botella importante en la ciencia de los materiales.
"Este desafío de predicción de la estructura de los materiales es similar al problema del plegamiento de proteínas en biología", dijo el Dr. Alpha Lee del Laboratorio Cavendish de Cambridge, quien codirigió la investigación. "Hay muchas estructuras posibles en las que un material puede 'plegarse'. Excepto que el problema de la ciencia de los materiales es quizás incluso más desafiante que el de la biología porque considera un conjunto de elementos mucho más amplio".
Lee y sus colegas desarrollaron un método basado en el aprendizaje automático que aborda con éxito este desafío. Desarrollaron una nueva forma de describir los materiales, utilizando las matemáticas de la simetría para reducir las formas infinitas en que los átomos pueden agruparse en materiales en un conjunto finito de posibilidades. Luego utilizaron el aprendizaje automático para predecir el empaquetamiento ideal de los átomos, dados los elementos y su composición relativa en el material.
Su método predice con precisión la estructura de los materiales que son prometedores para aplicaciones piezoeléctricas y de recolección de energía, con más de cinco veces la eficiencia de los métodos actuales. Su método también puede encontrar miles de materiales nuevos y estables que nunca antes se habían fabricado, de una manera computacionalmente eficiente.
"La cantidad de materiales que son posibles es de cuatro a cinco órdenes de magnitud mayor que la cantidad total de materiales que hemos fabricado desde la antigüedad", dijo el coautor principal, el Dr. Rhys Goodall, también del Laboratorio Cavendish. "Nuestro enfoque proporciona un enfoque computacional eficiente que puede 'extraer' nuevos materiales estables que nunca antes se han fabricado. Estos materiales hipotéticos pueden luego ser examinados computacionalmente para determinar sus propiedades funcionales".
Los investigadores ahora están utilizando su plataforma de aprendizaje automático para encontrar nuevos materiales funcionales, como materiales dieléctricos. También están integrando otros aspectos de las restricciones experimentales en su enfoque de descubrimiento de materiales. Un modelo entrenado para predecir perfiles espectroscópicos ayuda a descifrar la estructura de los materiales
