Los investigadores de la Universidad de Rice utilizaron un modelo de microestructura de nitruro de boro hexagonal dañado por radiación para ayudarlos a estudiar los beneficios de las técnicas de aprendizaje profundo en la simulación de materiales bidimensionales para comprender sus características. Crédito:Prabhas Hundi / Rice University
Los científicos están descubriendo nuevos materiales bidimensionales a un ritmo rápido, pero no siempre saben de inmediato lo que pueden hacer esos materiales.
Los investigadores de la Escuela de Ingeniería Brown de la Universidad de Rice dicen que pueden averiguarlo rápidamente proporcionando detalles básicos de sus estructuras a agentes de "aprendizaje profundo" que tienen el poder de mapear las propiedades de los materiales. Mejor todavía, los agentes pueden modelar rápidamente los materiales que los científicos están pensando en hacer para facilitar el diseño "de abajo hacia arriba" de los materiales bidimensionales.
Rouzbeh Shahsavari, un profesor asistente de ingeniería civil y ambiental, y el estudiante graduado de Rice, Prabhas Hundi, exploraron las capacidades de las redes neuronales y los perceptrones multicapa que toman datos mínimos de las estructuras simuladas de materiales 2-D y hacen predicciones "razonablemente precisas" de sus características físicas, como fuerza, incluso después de haber sido dañados por la radiación y las altas temperaturas.
Una vez entrenado, Shahsavari dijo:estos agentes podrían adaptarse para analizar nuevos materiales 2-D con tan solo el 10 por ciento de sus datos estructurales. Eso devolvería un análisis de las resistencias del material con aproximadamente un 95 por ciento de precisión, él dijo.
"Esto sugiere que el aprendizaje por transferencia (en el que un algoritmo de aprendizaje profundo entrenado en un material se puede aplicar a otro) es un cambio de juego potencial en los enfoques de caracterización y descubrimiento de materiales, "sugirieron los investigadores.
Los resultados de sus extensas pruebas sobre grafeno y nitruro de boro hexagonal aparecen en la revista Pequeña .
Desde el descubrimiento del grafeno en 2004, Los materiales de un átomo de espesor han sido promocionados por su resistencia y rango de propiedades electrónicas para compuestos y electrónica. Debido a que sus arreglos atómicos tienen un impacto significativo en sus propiedades, Los investigadores suelen utilizar simulaciones de dinámica molecular para analizar las estructuras de nuevos materiales 2-D incluso antes de intentar fabricarlos.
Prabhas Hundi, estudiante de posgrado de la Universidad de Rice, izquierda, y Rouzbeh Shahsavari, un profesor asistente de ingeniería civil y ambiental, están utilizando técnicas de aprendizaje profundo para acelerar las simulaciones de nuevos materiales bidimensionales para comprender sus características y cómo se ven afectados por las altas temperaturas y la radiación. Crédito:Jeff Fitlow / Rice University
Shahsavari dijo que el aprendizaje profundo ofrece un aumento de velocidad significativo sobre las simulaciones tradicionales de materiales 2-D y sus características. permitiendo que los cálculos que ahora toman días de tiempo de supercomputadora se ejecuten en horas.
"Debido a que podemos construir nuestros mapas de propiedades de estructura con solo una fracción de los datos de simulaciones de dinámica molecular de grafeno o nitruro de boro, vemos un orden de magnitud menos tiempo computacional para obtener un comportamiento completo del material, " él dijo.
Shahsavari dijo que el laboratorio decidió estudiar el grafeno y el nitruro de boro hexagonal por su alta tolerancia al deterioro a altas temperaturas y en ambientes ricos en radiación. propiedades importantes de los materiales en naves espaciales y plantas de energía nuclear. Debido a que el grupo Shahsavari ya había realizado más de 11, 000 simulaciones de dinámica molecular de daños en cascada de radiación para otro artículo sobre materiales 2-D, tenían un incentivo para ver si podían reproducir sus resultados con un método mucho más rápido.
Ejecutaron miles de simulaciones de "aprendizaje profundo" en 80 combinaciones de radiación y temperatura para nitruro de boro hexagonal y 48 combinaciones para grafeno. golpeando cada combinación con 31 dosis aleatorias de radiación simulada. Para algunos, los investigadores capacitaron al agente de aprendizaje profundo con un máximo del 45 por ciento de los datos de su estudio de dinámica molecular, logrando hasta un 97 por ciento de precisión en la predicción de defectos y sus efectos en las características del material.
Adaptar agentes capacitados a diferentes materiales, ellos encontraron, requirió solo alrededor del 10 por ciento de los datos simulados, acelerando enormemente el proceso manteniendo una buena precisión.
"Intentamos averiguar las resistencias residuales correspondientes de los materiales después de la exposición a condiciones extremas, junto con todos los defectos, ", dijo." Como se esperaba, cuando la temperatura media o la radiación eran demasiado altas, la fuerza residual se volvió bastante baja. Pero esa tendencia no siempre fue obvia ".
En algunos casos, él dijo, la combinación de mayor radiación y temperaturas más altas hizo que un material fuera más robusto en lugar de menos, y ayudaría a los investigadores a saberlo antes de fabricar un producto físico.
"Nuestro método de aprendizaje profundo sobre el desarrollo de mapas de propiedades de estructura podría abrir un nuevo marco para comprender el comportamiento de los materiales 2-D, descubrir sus similitudes y anomalías no intuitivas, y eventualmente diseñarlos mejor para aplicaciones personalizadas, "Dijo Shahsavari.
