• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • El aprendizaje automático permite el modelado predictivo de materiales 2-D

    Las tierras baldías de stanene:stanene es más suave y, en consecuencia, mucho más ondulado que sus primos grafeno y silicene. Crédito:Mathew Cherukara, Laboratorio Nacional Badri Narayanan y Subramanian Sankaranarayanan / Argonne

    Aprendizaje automático, un campo centrado en entrenar a las computadoras para que reconozcan patrones en los datos y hagan nuevas predicciones, está ayudando a los médicos a diagnosticar enfermedades con mayor precisión y los analistas bursátiles pronostican el alza y la caída de los mercados financieros. Y ahora, los científicos de materiales han sido pioneros en otra aplicación importante para el aprendizaje automático:ayudar a acelerar el descubrimiento y desarrollo de nuevos materiales.

    Investigadores del Centro de Materiales a Nanoescala y la Fuente de Fotones Avanzada, Ambas instalaciones para usuarios de la Oficina de Ciencias de la Oficina del Departamento de Energía de EE. UU. en el Laboratorio Nacional Argonne del DOE, anunció el uso de herramientas de aprendizaje automático para predecir con precisión el estado físico, propiedades químicas y mecánicas de los nanomateriales.

    En un estudio publicado en El diario de las letras de la química física , Un equipo de investigadores dirigido por el científico computacional de Argonne, Subramanian Sankaranarayanan, describió el uso de herramientas de aprendizaje automático para crear el primer modelo a nivel atómico que predice con precisión las propiedades térmicas del stanene. un material bidimensional (2-D) formado por una hoja de estaño de un átomo de espesor.

    El estudio revela por primera vez un enfoque para el modelado de materiales que aplica el aprendizaje automático y es más preciso para predecir las propiedades de los materiales en comparación con modelos anteriores.

    "El modelado predictivo es particularmente importante para materiales recién descubiertos, para saber para qué sirven, cómo responden a diferentes estímulos y también cómo hacer crecer el material de manera efectiva para aplicaciones comerciales, todo antes de invertir en una fabricación costosa, "dijo el investigador postdoctoral de Argonne Mathew Cherukara, uno de los autores principales del estudio.

    Tradicionalmente, Los modelos de materiales a escala atómica han tardado años en desarrollarse, y los investigadores han tenido que confiar en gran medida en su propia intuición para identificar los parámetros sobre los que se construiría un modelo. Pero al utilizar un enfoque de aprendizaje automático, Cherukara y sus colegas investigadores pudieron reducir la necesidad de intervención humana al tiempo que acortaron el tiempo para elaborar un modelo preciso a unos pocos meses.

    "Ingresamos datos obtenidos de cálculos experimentales o costosos basados ​​en la teoría, y luego pregunte a la máquina, '¿Puede darme un modelo que describa todas estas propiedades?' ", Dijo Badri Narayanan, un investigador postdoctoral de Argonne y otro autor principal del estudio. "También podemos hacer preguntas como, '¿Podemos optimizar la estructura, inducir defectos o adaptar el material para obtener las propiedades específicas deseadas? '"

    El equipo de investigación de Argonne que ha sido pionero en el uso de herramientas de aprendizaje automático en el modelado de materiales 2-D. Crédito:Wes Agresta / Laboratorio Nacional Argonne

    A diferencia de la mayoría de modelos anteriores, el modelo de aprendizaje automático puede capturar la formación de vínculos y los eventos de ruptura con precisión; esto no solo produce predicciones más confiables de las propiedades del material (por ejemplo, conductividad térmica), pero también permite a los investigadores capturar reacciones químicas con precisión y comprender mejor cómo se pueden sintetizar materiales específicos.

    Otra ventaja de crear modelos mediante el aprendizaje automático es que el proceso no depende del material, lo que significa que los investigadores pueden observar muchas clases diferentes de materiales y aplicar el aprendizaje automático a varios otros elementos y sus combinaciones.

    El modelo computacional Cherukara, Narayanan y sus colegas han desarrollado describe stanene, una estructura hecha de estaño que ha llamado la atención de los investigadores en los últimos años. El interés en el stanene refleja un interés creciente en los materiales 2-D que evolucionan desde el descubrimiento del grafeno en 2004, una disposición de una sola capa de carbono con atractiva electrónica, propiedades térmicas y mecánicas. Si bien el stanene permanece lejos de la comercialización, los investigadores lo encuentran prometedor para aplicaciones en la gestión térmica (la regulación del calor) en algunos dispositivos a nanoescala.

    El estudio, " Ab Initio -Potencial de orden de enlace basado en investigar la baja conductividad térmica de nanoestructuras de Stanene, "apareció en el The Journal of Physics Chemistry Letters .


    © Ciencia https://es.scienceaq.com