[ad_1]
(Foco Nanowerk) Los materiales bidimensionales (2D) como el grafeno están atrayendo un gran interés en la ciencia y la industria debido a sus notables propiedades electrónicas, ópticas y mecánicas. Sin embargo, a pesar de una intensa investigación, se han sintetizado con éxito en los laboratorios menos de 100 materiales 2D diferentes. Esto limita significativamente su uso práctico en transistores, sensores, baterías y otras aplicaciones.
Ahora los investigadores han desarrollado un sistema de inteligencia artificial que automatiza el descubrimiento y la validación de materiales 2D químicamente estables. Esta técnica innovadora ya ha encontrado seis nuevos candidatos 2D prometedores que no se detectaron en búsquedas manuales anteriores.
Informan sus resultados en Sistemas inteligentes avanzados (“Descubriendo materiales 2D utilizando el diseño generativo basado en redes de transformadores”).
En el pasado, se descubrieron nuevos materiales mediante cuidadosos experimentos de prueba y error guiados por la intuición química humana. Pero el gran espacio de búsqueda de posibles conexiones estables hace que las pruebas de fuerza bruta sean poco probables. «Hay demasiados materiales nuevos potenciales como para poder sintetizarlos y caracterizarlos individualmente en el laboratorio», explica el coautor del estudio Jianjun Hu. «Necesitamos herramientas computacionales para explorar posibilidades de manera inteligente».
Durante la última década, la detección virtual de alto rendimiento se ha vuelto factible aprovechando los avances en la potencia informática y los algoritmos de estructura electrónica. Pero incluso los enfoques automatizados luchan por dar cuenta de la inmensa combinatoria involucrada en la mezcla de elementos en geometrías 2D estables. «El aprendizaje automático saca a los humanos del circuito de descubrimiento y permite que los algoritmos aprendan por sí mismos buscando datos materiales», dice Hu.
La nueva tecnología llamada Material Transformer Generator (MTG) integra varios componentes de IA. Primero, se utiliza un modelo de secuencia neuronal para generar combinaciones de átomos que cumplan con los requisitos de neutralidad de carga. Luego, estas composiciones se introducen en algoritmos especiales de predicción de cristales, que las adaptan a la geometría de plantillas de materiales 2D conocidas mediante la sustitución de elementos. Luego, dos relajantes diferentes basados en aprendizaje automático optimizan las coordenadas atómicas de las estructuras predichas. Finalmente, los cálculos de la teoría del funcional de la densidad verifican si los materiales son termodinámicamente estables.
Sorprendentemente, esta tubería automatizada encontró cuatro nuevos compuestos 2D: NiCl4IrSBr, CuBr3, CoBrCl: se confirmó que es termodinámicamente estable utilizando la teoría funcional de la densidad. Otros dos, GaBrO y NbBrCl.3tienen una semiestabilidad que se acerca mucho a los valores ideales. Los investigadores también validaron la estabilidad dinámica del CuBr.3 y GaBrO al demostrar que no hay modos de fonones imaginarios presentes. Esto sugiere que ambas oscilaciones atómicas pueden resistir sin fallar.
«El constante descubrimiento de materiales realistas demuestra que estas técnicas de IA pueden imitar la intuición química humana y el conocimiento científico hasta cierto punto», afirma Hu. «Pero también exploran la combinatoria que va más allá de lo que un ser humano puede imaginar». Especialmente CuBr3 y GaBrO tienen estructuras simples en retrospectiva. Sin embargo, hasta el momento no ha habido evidencia de su viabilidad en la literatura científica.
En comparación con intentos anteriores de descubrimiento de materiales impulsados por IA, la principal innovación de MTG radica en su integración de un extremo a otro. «Existen precedentes en la literatura para cada componente individual», explica Hu. «Nuestro avance radica en combinar composición, predicción de estructuras, relajación y verificación con modelos de aprendizaje automático». Los investigadores compararon variantes de MTG sin ningún componente y encontraron tasas de descubrimiento muy reducidas, lo que demuestra que la integración es crucial.
Esta tecnología podría ampliar enormemente la gama de materiales 2D disponibles para desarrollar dispositivos de próxima generación. Pero antes de ponerlos en práctica a gran escala, los investigadores necesitan probar la síntesis de algunos de los compuestos propuestos en laboratorios físicos. «La validación final requiere una demostración experimental», afirma Hu. «El impulso ahora recae en los químicos de materiales para implementar la evidencia resaltada por las simulaciones».
Si la síntesis tiene éxito, MTG podría iniciar una ola acelerada por IA de nuevos materiales 2D adaptados a aplicaciones industriales y científicas específicas. Su arquitectura neuronal también proporciona un modelo para automatizar el descubrimiento en áreas relacionadas como catalizadores, polímeros y materiales cuánticos. «Prevemos laboratorios autónomos dirigidos por científicos artificiales que propongan y evalúen continuamente nuevos compuestos», concluye Hu. «Este trabajo ayuda a unir esa ambiciosa visión a largo plazo».
De
Miguel
Berger
– Michael es autor de tres libros de la Royal Society of Chemistry: Nano-Society: Pushing the Boundaries of Technology, Nanotechnology: The Future is Tiny y Nanoengineering: The Skills and Tools Making Technology Invisible Copyright ©
Nanowerk LLC
¡Conviértete en autor invitado de Spotlight! Únase a nuestro gran y creciente grupo de autores invitados. ¿Acaba de publicar un artículo científico o le gustaría compartir otros desarrollos interesantes con la comunidad de nanotecnología? Cómo publicar en nanowerk.com.
[ad_2]