El aprendizaje automático, un campo enfocado en la capacitación de computadoras para reconocer patrones en los datos y hacer nuevas predicciones, está ayudando a los médicos a diagnosticar enfermedades con mayor precisión y los analistas de acciones pronostican el aumento y la caída de los mercados financieros. Y ahora los científicos de materiales han sido pioneros en otra aplicación importante paraaprendizaje automático: ayuda a acelerar el descubrimiento y el desarrollo de nuevos materiales.
Investigadores del Centro de Materiales a Nanoescala y de la Fuente Avanzada de Fotones, ambas Instalaciones de Usuario de la Oficina de Ciencia del Departamento de Energía de los Estados Unidos DOE en el Laboratorio Nacional Argonne del DOE, anunciaron el uso de herramientas de aprendizaje automático para predecir con precisión la física, química y mecánicapropiedades de los nanomateriales.
En un estudio publicado en The Journal of Physical Chemistry Letters , un equipo de investigadores dirigido por el científico computacional Argonne Subramanian Sankaranarayanan describió su 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 compuestode 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 del material en comparación con modelos anteriores.
"El modelado predictivo es particularmente importante para los materiales recién descubiertos, para aprender 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 otros investigadorespudieron reducir la necesidad de aportes humanos 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 le preguntamos a la máquina, '¿Me puede dar un modelo que describa todas estas propiedades?'", Dijo Badri Narayanan, investigador postdoctoral de Argonne y otro autor principaldel estudio. "También podemos hacer preguntas como '¿Podemos optimizar la estructura, inducir defectos o adaptar el material para obtener las propiedades específicas deseadas?'"
A diferencia de la mayoría de los modelos anteriores, el modelo de aprendizaje automático puede capturar con precisión la formación de enlaces y los eventos de ruptura; esto no solo produce predicciones más confiables de las propiedades del material por ejemplo, conductividad térmica, sino que también permite a los investigadores capturar reacciones químicas con precisión y comprender mejor cuán específicolos materiales pueden sintetizarse
Otra ventaja de construir modelos usando el aprendizaje automático es que el proceso no depende del material, lo que significa que los investigadores pueden ver muchas clases diferentes de materiales y aplicar el aprendizaje automático a otros elementos y sus combinaciones.
El modelo computacional que desarrollaron Cherukara, Narayanan y sus colegas describe el 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 creciente interés en los materiales 2D evolucionando desde el descubrimiento de 2004 degrafeno, una disposición de carbono de una sola capa con atractivas propiedades electrónicas, térmicas y mecánicas. Si bien el staneno está lejos de ser comercializado, los investigadores lo encuentran prometedor para aplicaciones en la gestión térmica la regulación del calor en algunos dispositivos a nanoescala.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :