[ad_1]
(Noticias de Nanowerk) Un nuevo enfoque computacional mejorará la comprensión de los diferentes estados del carbono y guiará la búsqueda de materiales aún por descubrir.
Materiales: los usamos, los usamos, los comemos y los creamos. A veces los inventamos por accidente, como Silly Putty. Pero con mucha más frecuencia, la creación de materiales útiles es un proceso laborioso y costoso de prueba y error.
Los científicos del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) demostraron recientemente un proceso automatizado para identificar e investigar nuevos materiales prometedores mediante la combinación de aprendizaje automático (ML), un tipo de inteligencia artificial, y computación de alto rendimiento (comunicación de la naturaleza, «Aprendizaje automático del diagrama de fase metaestable del carbono unido covalentemente»). El nuevo enfoque podría ayudar a acelerar el descubrimiento y el diseño de materiales útiles.
![Diagramas de fase metaestables para el carbono.](https://www.nanowerk.com/nanotechnology-news2/id61589_1.jpg)
Usando el elemento único de carbono como prototipo, el algoritmo predijo cómo los átomos se organizan bajo una amplia gama de temperaturas y presiones para formar diferentes sustancias. A partir de ahí, construyó una serie de los llamados diagramas de fase, una especie de mapa que ayuda en la búsqueda de nuevos y útiles estados de la materia.
«Entrenamos una computadora para sondear, cuestionar y aprender cómo se pueden organizar los átomos de carbono para crear fases que tal vez no encontremos en la Tierra o que no entendamos completamente, automatizando así un paso completo en el proceso de ingeniería de materiales». «, dijo Pierre Darancet, científico de Argonne y autor del estudio. «Cuanto más de este proceso pueda hacer una computadora por sí sola, más ciencia de materiales podremos hacer». equilibrio y más allá
Cuando cambia la estructura atómica de un material, también cambian sus propiedades electrónicas, térmicas y mecánicas. Los científicos quieren encontrar nuevas formas de organizar los átomos para crear materiales útiles. Una forma fundamental de cambiar la estructura atómica de un material es variar la presión y la temperatura ambiente.
A menudo vemos este tipo de cambio estructural en el agua. A temperatura ambiente y presión atmosférica normal, el agua es el líquido más estable. Si bajas la temperatura lo suficiente, las mismas moléculas de agua se organizan en hielo sólido.
De manera similar, el diamante y el grafito son materiales completamente diferentes, pero ambos están hechos completamente de átomos de carbono, simplemente dispuestos de diferentes maneras. En condiciones normales, el grafito es una forma de carbono mucho más estable que el diamante. Sin embargo, bajo condiciones extremas de presión y calor, el grafito se cristaliza lentamente en diamante. Cuando se retira de estas condiciones extremas, el diamante persiste y habita en lo que los científicos llaman un estado metaestable.
El algoritmo ML produjo diagramas de fase que representan cientos de estos estados de carbono metaestables, algunos conocidos y otros nuevos.
«Es experimentalmente difícil predecir y generar estados de la materia que no estén cerca de las condiciones de equilibrio», dijo Jianguo Wen, un experimentador de Argonne en el estudio. «Este nuevo enfoque computacional nos permite explorar esas regiones poco conocidas en los mapas que de otro modo serían inaccesibles o que ni siquiera sabemos que existen».
Revisión del algoritmo
Los científicos entrenaron el algoritmo ML utilizando datos sintéticos generados por simulaciones que representan resultados aproximados que los científicos obtendrían a través de experimentos. Generaron el conjunto de datos utilizando la dinámica molecular y la teoría funcional de la densidad, ambas herramientas comunes en química computacional.
Los datos de entrenamiento se crearon utilizando Carbon, un clúster de computación de alto rendimiento en el Centro Argonne para Materiales a Nanoescala (CNM), una instalación para usuarios de la Oficina de Ciencias del DOE. También se utilizaron otras dos instalaciones de usuario del DOE: la Instalación de Cómputo de Liderazgo de Argonne y el Centro de Cómputo Científico de Investigación Nacional de Energía en el Laboratorio Nacional Lawrence Berkeley.
Utilizando las predicciones del algoritmo como guía, el equipo verificó su eficacia sintetizando muestras reales y caracterizándolas con un microscopio electrónico de transmisión en el CNM.
El algoritmo predijo con éxito diagramas de fase conocidos para el carbono, y los diagramas de fase generados por computadora confirmaron y arrojaron luz sobre varias observaciones experimentales no resueltas.
Específicamente, el algoritmo identificó la estructura previamente ambigua de n-diamante (que significa «nuevo diamante»), un estado de carbono que ha desconcertado a los científicos desde que se teorizó hace más de 30 años. «El algoritmo hizo predicciones nuevas y sorprendentes sobre las características estructurales de los n-diamantes, que verificamos con experimentos, lo que demuestra que el algoritmo se mantiene incluso en las fases de alto grado», dijo Wen.
El equipo también sintetizó varias fases predichas por algoritmos que aún no se han informado en la literatura científica. Las estructuras de las muestras coincidieron con las predicciones, verificando aún más el algoritmo.
«La síntesis de materiales, particularmente materiales con propiedades exóticas, a menudo puede requerir múltiples intentos experimentales y años de esfuerzo», dijo el científico de Argonne Subramanian Sankaranarayanan, autor principal del estudio. «Nuestros algoritmos de aprendizaje automático nos permiten identificar las condiciones de síntesis de materiales exóticos, lo que podría acortar el tiempo para su implementación experimental».
En este estudio, el algoritmo solo se aplicó al carbono. En el futuro, los científicos esperan aplicar el mismo enfoque a los sistemas con más de un elemento. La aplicación del algoritmo de aprendizaje automático a sistemas más complejos podría tener implicaciones de gran alcance para el descubrimiento y diseño de materiales útiles.
[ad_2]