El «espacio químico» ahora se puede mapear a mayor escala gracias a un nuevo modelo de IA desarrollado por un grupo de investigadores de la Universidad de Linköping y la Universidad de Cambridge en Inglaterra. El descubrimiento ha sido publicado en la revista Avances de la ciencia.
Crédito de la imagen: Pixabay (licencia de Pixabay gratis)
Se podría decir que el llamado “espacio químico” de materiales y moléculas desconocidos es tan grande e inexplorado como el espacio mismo. Así que hay buenas razones para desarrollar métodos para encontrar materiales hasta ahora desconocidos. Investigadores de la Universidad de Linköping y la Universidad de Cambridge han desarrollado un método de aprendizaje automático que puede mapear el espacio químico en una escala mayor que antes.
El modelo de IA describe la simetría entre los lugares donde se asientan los átomos, lo que facilita la exploración de posibilidades interesantes.
“Hemos entrenado el modelo utilizando más de 300.000 materiales, y lo hemos logrado para sugerir materiales previamente desconocidos en los que los átomos se colocan en nuevas formas simétricas”, dice Rickard Armiento, docente en modelado basado en la física en la unidad de Diseño de Materiales e Informática. en la Universidad de Linköping.
menos heno
Con el nuevo método, se pueden predecir nuevas combinaciones de sustancias en nuevas estructuras cristalinas utilizando IA, en lugar de tener que fabricarlas en un laboratorio. Esto acelera el diseño y desarrollo de materiales. De esta forma, los investigadores pueden desarrollar nuevos materiales potenciales para, por ejemplo, el desarrollo de baterías y células solares.
“Si imaginamos el descubrimiento de materiales como la búsqueda de una aguja en un pajar, nuestro enfoque nos permite reducir drásticamente la cantidad de ‘heno’ antes de comenzar nuestra búsqueda”, dice Rhys Goodall, estudiante de doctorado en el Laboratorio Cavendish de la Universidad de Cambridge.
La búsqueda de combinaciones de sustancias que puedan formar materiales estables es fundamental para la ciencia de los materiales, así como para comprender cómo se estructura el material. Determinar si un material es estable implica una computación sustancial. El modelo desarrollado en esta investigación hace que la computación sea mucho más efectiva, ya que el modelo estudia los materiales existentes para predecir si las nuevas combinaciones podrían ser estables.
“Mostramos cómo podemos usar este modelo para seleccionar materiales potenciales y centrar nuestros esfuerzos computacionales y experimentales en aquellos que son más prometedores”, dice Rhys Goodall.
materiales funcionales
El método predice estructuras para materiales prometedores que podrían, por ejemplo, usarse para una eficacia cinco veces mayor en piezoelectricidad y extracción de energía.
Felix Andreas Faber es postdoctorado en la Universidad de Cambridge. Agrega que las simulaciones actuales que pueden calcular las estabilidades cristalinas son muy lentas y costosas.
“El espacio de sólidos inorgánicos teóricamente posibles es tan grande que es imposible investigar o hacer incluso una fracción de él. Nuestro modelo supera muchos de estos problemas”, dice Felix Andreas Faber.
Los investigadores ahora usan el nuevo modelo para buscar nuevos materiales funcionales. La División de Física Teórica de la Universidad de Linköping tiene varios proyectos cuyos métodos podrían algún día ser utilizados para el desarrollo de material para el recubrimiento de superficies duras y para el diseño de defectos para su aplicación dentro de la ciencia de la información cuántica.
El estudio fue financiado por el Consejo Sueco de Investigación, el Centro de Investigación Sueco de e-Ciencia, así como por la Royal Society y el Programa Winton para la Física de la Sostenibilidad. El estudio ha utilizado recursos computacionales del Centro Nacional de Supercomputadoras de la Universidad de Linköping, proporcionados por la Infraestructura Nacional Sueca para la Computación.
El artículo: Descubrimiento rápido de materiales estables mediante granulado grueso sin coordenadasRhys A. Goodall, Abhijith S. Parackal, Felix A. Faber, Rickard Armiento, Alpha A. Lee, Avances de la ciencia publicado en línea el 27 de julio de 2022. DOI: 10.1126/sciadv.abn4117
Escrito por Anna-Karin Thorstensson
Fuente: Universidad de Linköping
