I ricercatori in Giappone hanno sviluppato un approccio in grado di prevedere meglio le proprietà dei materiali combinando dati sperimentali e di calcolo ad alto rendimento insieme all'apprendimento automatico. L'approccio potrebbe aiutare ad accelerare lo sviluppo di nuovi materiali, ed è stato pubblicato sulla rivista Scienza e tecnologia dei materiali avanzati .

Gli scienziati utilizzano la sperimentazione ad alto rendimento, coinvolgendo un gran numero di esperimenti paralleli, mappare rapidamente le relazioni tra le composizioni, strutture, e proprietà di materiali costituiti da quantità variabili degli stessi elementi. Questo aiuta ad accelerare lo sviluppo di nuovi materiali, ma di solito richiede attrezzature costose.

Calcolo ad alta produttività, d'altra parte, utilizza modelli computazionali per determinare le proprietà di un materiale in base alla sua densità elettronica, una misura della probabilità che un elettrone occupi una quantità di spazio estremamente piccola. È più veloce ed economico degli esperimenti fisici ma molto meno accurato.

Esperto di informatica dei materiali Yuma Iwasaki dei Laboratori di ricerca centrale di NEC Corporation, insieme ai colleghi in Giappone, combinato i due metodi ad alto rendimento, prendendo il meglio di entrambi i mondi, e li ha abbinati all'apprendimento automatico per semplificare il processo.

"Il nostro metodo ha il potenziale per prevedere con precisione e rapidità le proprietà dei materiali e quindi ridurre i tempi di sviluppo per vari materiali, "dice Iwasaki.

Hanno testato il loro approccio utilizzando un film sottile di 100 nanometri fatto di ferro, cobalto e nichel spalmati su un substrato di zaffiro. Diverse possibili combinazioni dei tre elementi sono state distribuite lungo il film. Questi "campioni di composizione sparsi" vengono utilizzati per testare molti materiali simili in un singolo campione.

Il team ha prima condotto una semplice tecnica ad alto rendimento sul campione chiamata diffrazione combinatoria dei raggi X. Le curve di diffrazione dei raggi X risultanti forniscono informazioni dettagliate sulla struttura cristallografica, Composizione chimica, e proprietà fisiche del campione.

Il team ha quindi utilizzato l'apprendimento automatico per suddividere questi dati in singole curve di diffrazione dei raggi X per ogni combinazione dei tre elementi. I calcoli ad alto rendimento hanno aiutato a definire le proprietà magnetiche di ciascuna combinazione. Finalmente, sono stati eseguiti calcoli per ridurre la differenza tra i dati sperimentali e quelli di calcolo.

Il loro approccio ha permesso loro di mappare con successo la "rotazione di Kerr" del ferro, cobalto, e diffusione della composizione del nichel, che rappresenta i cambiamenti che avvengono alla luce mentre viene riflessa dalla sua superficie magnetizzata. Questa proprietà è importante per una varietà di applicazioni nella fotonica e nei dispositivi a semiconduttore.

I ricercatori affermano che il loro approccio potrebbe ancora essere migliorato ma che, così com'è, consente di mappare i momenti magnetici degli spread compositivi senza la necessità di ricorrere a esperimenti ad alto rendimento più difficili e costosi.