Los defectos puntuales (por ejemplo, átomos faltantes, adicionales o intercambiados) en materiales cristalinos a menudo determinan la respuesta electrónica y óptica real de un material determinado. Por ejemplo, las sustituciones controladas en semiconductores como el silicio son la columna vertebral de la tecnología moderna. A pesar de su importancia, los defectos puntuales son notoriamente difíciles de simular y caracterizar, particularmente en amplias regiones de la tabla periódica.
Los investigadores del Laboratorio Nacional Lawrence Livermore (LLNL) ahora han creado software como parte de su distribución de software de código abierto que puede automatizar y analizar de manera eficiente y efectiva este tipo de cálculos.
Los autores demostraron el enfoque totalmente automatizado en varios materiales tecnológicamente importantes. incluido el nitruro de galio (la base de toda la iluminación moderna de estado sólido), el óxido de galio (un semiconductor emergente de banda ultraancha) y el titanato de estroncio (un mineral común ampliamente estudiado), cuyo trabajo se publicó recientemente en el Journal of Applied Physics y seleccionado como elección del editor como parte de una edición especial sobre "Defectos en semiconductores".
"Este trabajo nos ha permitido observar de forma más sistemática diferentes tipos de defectos en materiales que exhiben el comportamiento que estábamos buscando", afirmó Lars Voss, coautor del trabajo.
"Hemos estado haciendo este tipo de cálculos a mano durante años, pero los avances modernos en computación de alto rendimiento y software de bases de datos han hecho de este un enfoque más práctico y flexible", dijo el científico de LLNL Joel Varley, también autor colaborador del artículo.
El estudio y el software de código abierto desarrollado como parte del proyecto han atraído el interés de varios equipos de investigación internacionales y de la industria, dijeron los investigadores.
"Ahora que hemos desarrollado un marco para optimizar este enfoque con prácticas modernas de bases de datos, esto abre un camino sencillo para seleccionar datos para enfoques de aprendizaje automático que la comunidad aplicará sistemáticamente a propiedades de defectos puntuales", dijo Jimmy Shen, líder autor del artículo.
