El trabajo podría permitir a los científicos acelerar el descubrimiento de materiales que exhiben una transición de aislamiento de metal – ScienceDaily

0 5


Un equipo interdisciplinario de científicos de Northwestern Engineering y el Instituto de Tecnología de Massachusetts utilizó técnicas de inteligencia artificial (IA) para crear herramientas nuevas, gratuitas y fáciles de usar que permiten a los científicos acelerar la tasa de descubrimiento y estudio de materiales que presentan un metal. -transición aislante (MIT), así como identificar nuevas características que puedan describir esta clase de materiales.

Una de las claves para hacer que los dispositivos microelectrónicos sean más rápidos y más eficientes energéticamente, así como para diseñar nuevas arquitecturas informáticas, es el descubrimiento de nuevos materiales con propiedades electrónicas ajustables. La resistividad eléctrica de los MIT puede presentar un comportamiento electrónico metálico o aislante, según las propiedades del entorno.

Aunque algunos materiales que exhiben MIT ya se han implementado en dispositivos electrónicos, solo se conocen menos de 70 con esta propiedad y aún menos exhiben el rendimiento requerido para la integración en nuevos dispositivos electrónicos. Además, estos materiales cambian eléctricamente debido a una variedad de mecanismos, lo que dificulta la comprensión general de esta clase de materiales.

«Al proporcionar una base de datos, un clasificador en línea y un nuevo conjunto de capacidades, nuestro trabajo abre nuevas vías para la comprensión y el descubrimiento en esta clase de materiales», dijo James Rondinelli, profesor de Morris E. Fine en Materiales y Fabricación en McCormick. School de Ingeniería y el investigador principal correspondiente del estudio. «Además, este trabajo puede ser utilizado por otros científicos y aplicado a otras clases de materiales para acelerar el descubrimiento y la comprensión de otras clases de materiales cuánticos».

«Uno de los elementos clave de nuestras herramientas y modelos es que son accesibles para una amplia audiencia; los científicos e ingenieros no necesitan comprender el aprendizaje automático para usarlos, al igual que no se requiere una comprensión profunda de los algoritmos de búsqueda para navegar por Internet «, dijo Alexandru Georgescu, investigador postdoctoral en el laboratorio Rondinelli, quien es el primer coautor del estudio.

El equipo presentó su investigación en el documento «Base de datos, características y modelo de aprendizaje automático para identificar compuestos de transición metal-aislante impulsados ​​térmicamente», publicado el 6 de julio en la revista académica. Química de materiales.

Daniel Apley, profesor de ingeniería industrial y ciencias de la gestión en Northwestern Engineering, fue co-investigador principal. Elsa A. Olivetti, Esther y Harold E. Edgerton, profesora asociada de ciencia e ingeniería de materiales en el Instituto de Tecnología de Massachusetts, también fueron co-investigadoras principales.

Utilizando su conocimiento existente de los materiales del MIT, combinado con el procesamiento del lenguaje natural (NLP), los investigadores analizaron la literatura existente para identificar los 60 compuestos conocidos del MIT, así como 300 materiales que son similares en composición química pero que no muestran un MIT. El equipo proporcionó los materiales resultantes, así como las características identificadas como relevantes, a los científicos como una base de datos de libre acceso para uso público.

Luego, utilizando herramientas de aprendizaje automático, los científicos identificaron características que son importantes para caracterizar estos materiales. Confirmaron la importancia de algunas características, como las distancias entre los iones de metales de transición o la repulsión electrostática entre algunos de ellos conocidos, así como la precisión del modelo. También identificaron nuevas características previamente subestimadas, como el tamaño de los átomos entre ellos o las medidas de cuán iónicos o covalentes son los enlaces interatómicos. Estas capacidades fueron fundamentales para desarrollar un modelo de aprendizaje automático confiable para los materiales del MIT, que se empaquetó en un formato de acceso abierto.

«Esta herramienta gratuita permite a cualquier persona obtener rápidamente estimaciones probabilísticas sobre si el material que están estudiando es un metal, un aislante o un compuesto de transición metal-aislante», dijo Apley.

El trabajo en este estudio surgió de proyectos dentro del programa de clúster interdisciplinario de Ciencia Predictiva y Diseño de Ingeniería (PS&ED) patrocinado por The Graduate School en Northwestern. El estudio también fue apoyado por fondos del programa Designing Materials to Revolutionize and Engineer our Future (DMREF) de la National Science Foundation y el programa DIFFERENTIATE de la Agencia de Proyectos de Investigación Avanzada – Energy (ARPA-E), que busca utilizar tecnologías emergentes de inteligencia artificial. los principales retos energéticos y medioambientales.

Fuente de la historia:

Materiales proporcionados por Northwestern University. Original escrito por Brian Sandalow. Nota: El contenido se puede cambiar por estilo y longitud.

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More