Durante la mayor parte de la historia humana, el descubrimiento de nuevos materiales ha sido un juego de azar. Pero ahora, los investigadores de UConn han sistematizado la búsqueda con aprendizaje automático que puede escanear millones de compuestos teóricos en busca de cualidades que harían mejores células solares, fibras y computadoraschips. La búsqueda de nuevos materiales puede nunca ser la misma.
Nadie sabe por qué un metalúrgico temprano decidió fundir un trozo de estaño en un poco de cobre, pero la aleación de bronce resultante fue más dura y más duradera que cualquier material previamente conocido. La mayor parte de la experimentación de materiales durante los siguientes 7,000 años ha sido igualmente aleatoria, guiadaen gran parte por filosofía e intuición química.
Pero en un mundo que contiene al menos 95 elementos estables, los componentes básicos de la materia, el número de combinaciones posibles es enorme, y la experimentación es una forma terriblemente ineficiente para encontrar lo que está buscando.
Ingrese al científico de materiales de UConn Ramamurthy 'Rampi' Ramprasad. En lugar de mezclar aleatoriamente productos químicos para ver qué hacen, Ramprasad los diseña racionalmente, utilizando el aprendizaje automático para descubrir qué configuraciones atómicas hacen que un polímero sea un buen conductor eléctrico o aislante.
Un polímero es una molécula grande hecha de muchos bloques de construcción repetitivos. Los polímeros son muy comunes tanto en materiales vivos como hechos por el hombre. Probablemente el ejemplo más familiar es el plástico y la amplia variación en los plásticos, que pueden ser duros, blandos, elástico, quebradizo, esponjoso, transparente, opaco o translúcido, da una idea de cuán diversos polímeros en general pueden ser.
Los polímeros también pueden tener diversas propiedades electrónicas. Por ejemplo, pueden ser muy buenos aislantes, evitando que los electrones y, por lo tanto, la corriente eléctrica, los atraviesen, o buenos conductores, permitiendo que la electricidad pase a través de ellos libremente. Y qué controlatodas estas propiedades se deben principalmente a cómo los átomos en el polímero se conectan entre sí, pero hasta hace poco, nadie tenía propiedades sistemáticamente relacionadas con las configuraciones atómicas.
Entonces Ramprasad y sus colegas decidieron hacer exactamente eso. Primero, analizarían los polímeros conocidos, utilizando cálculos laboriosos pero precisos basados en la mecánica cuántica para determinar qué arreglos de átomos confieren qué propiedades y cuantificar esas relaciones a nivel atómico a través de uncadena de números que registran cada uno de los polímeros. Una vez que los tenían, podrían hacer una búsqueda en la computadora a través de cualquier cantidad de polímeros teóricos para descubrir cuáles podrían tener qué propiedades. Luego, cualquiera que busque un polímero con cierta propiedad podría escanear rápidamente la listay decida qué polímeros teóricos podrían valer la pena probar.
Muchos polímeros están hechos de bloques de construcción que contienen solo unos pocos átomos. Por ejemplo, la poliurea, un plástico común, tiene como estructura básica una secuencia repetitiva de nitrógeno N, hidrógeno H y oxígeno O: NH-O-NH-O. La mayoría de los polímeros se ven así, hechos de carbono C, H, N y O, con algunos otros elementos arrojados ocasionalmente.
Para su proyecto, el grupo de Ramprasad analizó los polímeros hechos de solo siete bloques de construcción: CH2, C6H4, CO, O, NH, CS y C4H2S el S es azufre. Estos se encuentran en plásticos comunes como el polietileno, los poliésteresy poliureas. Teóricamente se podría construir una enorme variedad de polímeros utilizando solo estos bloques de construcción; el grupo de Ramprasad decidió al principio analizar solo 283, cada uno compuesto por una unidad repetida de cuatro bloques.
Comenzaron con la mecánica cuántica básica y calcularon las estructuras atómicas y electrónicas tridimensionales de cada uno de esos 283 polímeros de cuatro bloques. Esto no es trivial: calcular la posición de cada electrón y átomo en una molécula con más de dos átomostoma una computadora poderosa un tiempo considerable, por eso lo hicieron solo por 283 moléculas.
Una vez que tuvieron las estructuras tridimensionales, pudieron calcular lo que realmente querían saber: las propiedades de cada polímero. Calcularon el intervalo de banda, que es la cantidad de energía que necesita un electrón en el polímero para liberarse de suátomo casero y viajar alrededor del material, y la constante dieléctrica, que es una medida del efecto que un campo eléctrico puede tener sobre el polímero. Estas propiedades se traducen en la cantidad de energía eléctrica que cada polímero puede almacenar en sí mismo. Los investigadores utilizaron técnicas establecidas quese conocen desde hace mucho tiempo. Toman una cantidad prohibitiva de tiempo de computación, por eso es tan difícil evaluar los materiales de esta manera.
El grupo de Ramprasad luego fue un paso más allá. Querían un sistema abreviado que una computadora pudiera usar para observar los bloques de construcción de un polímero y cómo se conectan entre sí, y hacer conjeturas educadas sobre sus propiedades.
Las computadoras se ocupan de los números, por lo que primero tuvieron que definir cada polímero como una cadena de números, una especie de huella digital numérica. Dado que hay siete posibles bloques de construcción, hay siete números posibles, cada uno indicando cuántos de cada tipo de bloque soncontenido en ese polímero. Pero una cadena de números simple como esa no proporciona suficiente información sobre la estructura del polímero, por lo que agregaron una segunda cadena de números que indican cuántos pares hay de cada combinación de bloques de construcción, como NH-Oo C6H4-CS. Todavía no hay suficiente información, así que agregaron una tercera cadena que describía cuántos triples, como NH-O-CH2, había. Organizaron estas cadenas como una matriz tridimensional, que es una forma conveniente dedescribir tales cadenas de números en una computadora.
Luego dejaron que la computadora se pusiera a trabajar. Usando la biblioteca de 283 polímeros que habían calculado laboriosamente usando mecánica cuántica, la máquina comparó la huella digital numérica de cada polímero con su banda prohibida y constante dieléctrica, y gradualmente 'aprendió' qué combinaciones de bloques de construcción eranasociado con qué propiedades. Incluso podría asignar esas propiedades en una matriz bidimensional de los bloques de construcción de polímeros.
Una vez que la máquina aprendió qué combinaciones de bloques de construcción atómicos le dieron qué propiedades, ya no necesitaba los cálculos de mecánica cuántica de la estructura atómica. Podía evaluar con precisión el intervalo de banda y la constante dieléctrica para cualquier polímero hecho de cualquier combinación de esos siete bloques de construcción,usando solo la huella digital numérica de su estructura.
Muchas de las predicciones de la mecánica cuántica y el esquema de aprendizaje automático han sido validadas por los colaboradores de Ramprasad UConn, el profesor de química Greg Sotzing y el profesor de ingeniería eléctrica Yang Cao. Sotzing en realidad hizo varios de los nuevos polímeros, y Cao probó sus propiedades; vinieronfuera tal como lo habían predicho los cálculos de Ramprasad.
"Lo más sorprendente es el nivel de precisión con el que podemos hacer predicciones de la constante dieléctrica y la brecha de banda de un material utilizando el aprendizaje automático. Estas propiedades generalmente se calculan utilizando métodos de mecánica cuántica como la teoría de la densidad funcional, que son seisocho órdenes de magnitud más lento ", dice Ramprasad. El grupo publicó un artículo sobre su trabajo con polímeros en Informes científicos el 15 de febrero; y otro artículo que utiliza el aprendizaje automático de una manera diferente, a saber, para descubrir leyes que rigen la descomposición dieléctrica de los aisladores, se publicará en un próximo número de Chemistry of Materials.
Pero incluso si no tiene acceso a esas revistas académicas, puede ver las propiedades predichas de cada polímero que el grupo de Ramprasad ha evaluado en su bóveda de datos en línea, Khazana khazana.uconn.edu , que también proporciona sus aplicaciones de aprendizaje automático para predecir las propiedades del polímero sobre la marcha.También están cargando datos y las herramientas de aprendizaje automático de su trabajo de Química de materiales, y de un artículo reciente publicado en Informes científicos el 19 de enero sobre la predicción de la brecha de banda de perovskitas, compuestos inorgánicos utilizados en células solares, láseres y diodos emisores de luz.
Como científico de materiales teóricos, lo que Ramprasad quiere saber es por qué los materiales se comportan de la manera en que lo hacen. ¿Qué pasa con un polímero que hace que su dieléctrico sea constante? ¿O qué hace que un aislante resista enormes campos eléctricos sin romperse? Pero también quiereEsta comprensión se debe poner en práctica para diseñar nuevos materiales útiles de manera racional. De modo que hace que los resultados de sus cálculos estén disponibles libremente con la esperanza de que alguien más los revise, vea uno y diga: "Wow. Estoy buscando unmaterial con exactamente esas propiedades! "y luego hacerlo. Si funciona como se predijo, los dos están contentos.
Su trabajo está alineado con una iniciativa más grande de la Casa Blanca de los Estados Unidos llamada Iniciativa del Genoma de los Materiales. Gran parte del trabajo de Ramprasad descrito aquí fue financiado por subvenciones de la Oficina de Investigación Naval, así como del Departamento de Energía de los Estados Unidos.
Fuente de la historia :
Materiales proporcionado por Universidad de Connecticut . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :