[ad_1]
(Noticias de Nanowerk) Los investigadores han desarrollado un método de aprendizaje automático que puede predecir la estructura de nuevos materiales con cinco veces la eficiencia del estándar actual, eliminando un obstáculo clave en el desarrollo de materiales avanzados para aplicaciones como el almacenamiento de energía y la fotovoltaica.
Investigadores de las Universidades de Cambridge y Linkoping han desarrollado una forma de predecir la estructura de los materiales en función de sus elementos constituyentes. Los resultados se publican en la revista avances científicos («Descubrimiento rápido de materiales estables mediante granulado grueso sin coordenadas»).
La disposición de los átomos en un material determina sus propiedades. La capacidad de predecir computacionalmente esta disposición para diferentes combinaciones de elementos sin tener que fabricar el material en el laboratorio permitiría a los investigadores diseñar y mejorar los materiales rápidamente. Esto allana el camino para avances como mejores baterías y energía fotovoltaica.
Sin embargo, hay muchas formas en que los átomos pueden «empaquetarse» en un material: algunos empaques son estables, otros no. Determinar la estabilidad de un empaquetamiento es computacionalmente intensivo, y no es práctico calcular todos los arreglos posibles de átomos para encontrar el mejor. Este es un cuello de botella importante en la ciencia de los materiales.
«Este desafío de predecir la estructura de los materiales es similar al problema del plegamiento de proteínas en biología», dijo el Dr. Alpha Lee del Laboratorio Cavendish en Cambridge, quien codirigió la investigación. “Hay muchas estructuras posibles en las que un material puede ‘plegarse’. Excepto que el problema de la ciencia de los materiales es quizás incluso más desafiante que el de la biología porque da cuenta de una gama mucho más amplia de elementos”.
Lee y sus colegas han desarrollado un método basado en el aprendizaje automático que aborda con éxito este desafío. Desarrollaron una nueva forma de describir los materiales, utilizando las matemáticas de la simetría para reducir las formas infinitas en que los átomos pueden empaquetarse en materiales a un conjunto finito de formas. Luego utilizaron el aprendizaje automático para predecir el empaque atómico ideal dados los elementos y su composición relativa en el material.
Su método predice con precisión la estructura de materiales prometedores para aplicaciones piezoeléctricas y de recolección de energía, con más de cinco veces la eficiencia de los métodos actuales. Su método también puede encontrar miles de materiales nuevos y estables que nunca antes se han hecho, de una manera computacionalmente eficiente.
«La cantidad de materiales posibles es de cuatro a cinco órdenes de magnitud mayor que la cantidad total de materiales que hemos fabricado desde la antigüedad», dijo el coautor Dr. Rhys Goodall, también del Laboratorio Cavendish. «Nuestro enfoque proporciona un enfoque computacional eficiente que puede ‘extraer’ nuevos materiales estables que nunca antes se habían fabricado. Estos materiales hipotéticos luego pueden analizarse computacionalmente por sus propiedades funcionales”.
Los investigadores ahora están utilizando su plataforma de aprendizaje automático para encontrar nuevos materiales funcionales, como materiales dieléctricos. También integran otros aspectos de las limitaciones experimentales en su enfoque de descubrimiento de materiales.
[ad_2]