Encontrar nuevos materiales funcionales siempre es complicado. Pero buscar propiedades muy específicas entre una familia relativamente pequeña de materiales conocidos es aún más difícil.
Pero un equipo de Northwestern Engineering y el Laboratorio Nacional de Los Alamos encontró una solución. El grupo desarrolló un flujo de trabajo novedoso que combina el aprendizaje automático y los cálculos de la teoría funcional de la densidad para crear pautas de diseño para nuevos materiales que exhiben propiedades electrónicas útiles, como la ferroelectricidad y la piezoelectricidad.
Pocos materiales en capas tienen estas cualidades en ciertas geometrías, cruciales para desarrollar soluciones a problemas de electrónica, comunicación y energía, lo que significa que había muy pocos datos a partir de los cuales formular las pautas utilizando enfoques de investigación tradicionales.
"Cuando otros buscan nuevos materiales, generalmente buscan en lugares donde tienen muchos datos de materiales similares. No es necesariamente fácil de ninguna manera, pero sí sabemos cómo extraer información de grandes conjuntos de datos", dijo James MRondinelli, profesor asistente de ciencia e ingeniería de materiales en la Escuela de Ingeniería McCormick: "Cuando no se tiene mucha información, aprender de los datos se convierte en un problema difícil".
La investigación se describe en el documento "Aprendiendo de los datos para diseñar materiales funcionales sin simetría de inversión", que aparece en la edición del 17 de febrero de 2017 Comunicaciones de la naturaleza . Prasanna Balachandran del Laboratorio Nacional de Los Alamos en Nuevo México es el coautor del periódico. Joshua Young, un ex estudiante graduado en el laboratorio de Rondinelli, y Turab Lookman, un investigador senior en Los Alamos, también contribuyeron.
Con el apoyo de fondos de la National Science Foundation y el Programa de Investigación y Desarrollo Dirigido por Laboratorios a través de Los Alamos, el grupo de Rondinelli se centró en una clase de óxidos complejos bidimensionales u óxidos Ruddlesden-Popper. Estos materiales exhiben muchas propiedades que permiten la tecnología, como la ferroelectricidad y la piezoelectricidad, y pueden interactuar con los materiales semiconductores tradicionales que se encuentran en los dispositivos electrónicos actuales.
"En esta familia, el conjunto de datos es insignificante. Actualmente, solo se conocen entre 10 y 15 materiales con las propiedades deseadas", dijo Rondinelli. "Esto no es mucha información para trabajar. Tradicionalmente se usa la ciencia de datospara problemas de big data donde hay menos necesidad de conocimiento de dominio "
"A pesar de la naturaleza de datos pequeños del problema", agregó Balachandran, "nuestro enfoque funcionó porque pudimos combinar nuestra comprensión de estos materiales conocimiento del dominio con los datos para informar al aprendizaje automático"
Por lo tanto, el grupo comenzó a construir una base de datos de materiales conocidos y usar el aprendizaje automático, un subcampo de la informática que construye algoritmos capaces de aprender de los datos y luego usar ese aprendizaje para hacer mejores predicciones ". Con el aprendizaje automático, podemosidentifique las composiciones químicas que probablemente sean candidatos para el material que desea desarrollar ", dijo.
De los más de 3.000 materiales posibles investigados, el enfoque de la ciencia de datos encontró más de 200 con candidatos prometedores. A continuación, el equipo aplicó varios tipos de cálculos rigurosos de mecánica cuántica. Esto evaluó las estructuras atómicas de los materiales potenciales y verificó su estabilidad.
"Nos preguntamos: ¿Tendría el material la estructura prevista? ¿Tiene polarización eléctrica? ¿Se puede hacer en un laboratorio?", Agregó Rondinelli.
Este trabajo redujo las posibilidades a 19, que se recomendaron para la síntesis experimental inmediata. Sin embargo, es probable que haya muchas más posibilidades entre los 200 candidatos.
Normalmente, cuando se desarrollan nuevos materiales, el número de posibilidades es demasiado grande para explorar y desarrollar cada uno. El proceso de selección de materiales potenciales es muy costoso y los científicos deben ser selectivos en sus inversiones.
"Nuestro trabajo tiene el potencial de ayudar a ahorrar enormes cantidades de tiempo y recursos", dijo Balachandran. "En lugar de explorar todos los materiales posibles, solo aquellos materiales que tienen el potencial de ser prometedores serán recomendados para la investigación experimental".
Fuente de la historia :
Materiales proporcionado por Universidad del Noroeste . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :