[ad_1]
(noticias nanowerk) El aprendizaje automático (ML) permite el cálculo preciso y eficiente de las propiedades electrónicas fundamentales de las superficies de óxido binarias y ternarias, según han demostrado los científicos de Tokyo Tech. Su modelo basado en ML podría ampliarse a otros compuestos y propiedades. Los resultados de la presente investigación pueden ser útiles para evaluar las propiedades superficiales de los materiales, así como para el desarrollo de materiales funcionales.
El diseño y desarrollo de nuevos materiales con propiedades superiores requiere un análisis exhaustivo de sus estructuras atómicas y electrónicas. Los parámetros de energía electrónica, como el potencial de ionización (IP), la energía necesaria para eliminar un electrón del máximo de la banda de valencia, y la afinidad electrónica (EA), la cantidad de energía liberada al unirse un electrón al mínimo de la banda de conducción, son información importante. sobre la estructura de bandas electrónicas de superficies de semiconductores, aislantes y dieléctricos. Una estimación precisa de los IP y EA en dichos materiales no metálicos puede indicar su aplicabilidad para su uso como superficies funcionales e interfaces en dispositivos fotosensibles y dispositivos optoelectrónicos.
Además, los IP y los EA dependen significativamente de las estructuras de la superficie, lo que añade otra dimensión al complejo proceso de su cuantificación. El cálculo tradicional de IP y EA requiere el uso de cálculos precisos de primeros principios en los que los sistemas masivos y de superficie se cuantifican por separado. Este proceso que requiere mucho tiempo impide la cuantificación de IP y EA para muchas superficies, lo que requiere el uso de enfoques computacionalmente eficientes.
Para abordar los problemas de gran alcance que afectan la cuantificación de IP y EA de sólidos no metálicos, un equipo de científicos del Instituto de Tecnología de Tokio (Tokyo Tech), dirigido por el profesor Fumiyasu Oba, se ha centrado en el aprendizaje automático (ML). Los resultados de su investigación fueron publicados en Revista de la Sociedad Química Estadounidense (“Alineación de bandas de óxidos mediante red neuronal asistida por descriptores de estructura aprendibles y aprendizaje por transferencia”).
El profesor Oba comparte la motivación detrás de la presente investigación: “En los últimos años, el ML ha ganado una atención significativa en la investigación de la ciencia de los materiales. La capacidad de examinar virtualmente materiales basados en la tecnología ML es una forma muy eficiente de explorar materiales novedosos con propiedades superiores». «Además, la capacidad de entrenar grandes conjuntos de datos utilizando cálculos teóricos precisos permite la predicción exitosa de importantes propiedades de superficie y sus funciones. efectos”.
Los investigadores utilizaron una red neuronal artificial para desarrollar un modelo de regresión que incorporaba una superposición suave de posiciones atómicas (SOAP) como datos de entrada numéricos. Su modelo predijo con precisión y eficiencia los IP y EA de las superficies de óxido binario explotando la información sobre las estructuras cristalinas en masa y los planos de terminación de la superficie.
Además, el modelo predictivo basado en ML podría ser un «aprendizaje por transferencia», un escenario en el que un modelo desarrollado para un propósito específico puede diseñarse para incorporar conjuntos de datos más nuevos y volver a aplicarse para tareas adicionales. Los científicos incorporaron los efectos de múltiples cationes en su modelo mediante el desarrollo de SOAP «aprendibles» y la predicción de las IP y EA de los óxidos ternarios mediante el aprendizaje por transferencia.
El profesor Oba concluye: «Nuestro modelo no se limita a predecir las propiedades superficiales de los óxidos, sino que puede ampliarse para estudiar otros compuestos y sus propiedades».
[ad_2]