condensatori, data la loro elevata resa energetica e velocità di ricarica, potrebbe svolgere un ruolo importante nell'alimentare le macchine del futuro, dalle auto elettriche ai cellulari.

Ma il più grande ostacolo per questi dispositivi di accumulo di energia è che immagazzinano molta meno energia di una batteria di dimensioni simili.

I ricercatori del Georgia Institute of Technology stanno affrontando questo problema in un modo nuovo, utilizzando l'apprendimento automatico per trovare in definitiva modi per costruire condensatori più capaci.

Il metodo, che è stato descritto il 18 febbraio sulla rivista npj Materiali di calcolo e sponsorizzato dall'Ufficio di ricerca navale degli Stati Uniti, consiste nell'insegnare a un computer ad analizzare a livello atomico due materiali che compongono alcuni condensatori:alluminio e polietilene.

I ricercatori si sono concentrati sulla ricerca di un modo per analizzare più rapidamente la struttura elettronica di quei materiali, alla ricerca di funzionalità che potrebbero influire sulle prestazioni.

"L'industria elettronica vuole conoscere le proprietà elettroniche e la struttura di tutti i materiali che utilizzano per produrre dispositivi, compresi i condensatori, " ha detto Rampi Ramprasad, professore alla Scuola di Scienza e Ingegneria dei Materiali.

Prendi un materiale come il polietilene:è un ottimo isolante con un'ampia banda proibita, un intervallo di energia vietato ai portatori di carica elettrica. Ma se ha un difetto, portatori di carica indesiderati sono ammessi nel gap di banda, riducendo l'efficienza, Egli ha detto.

"Per capire dove sono i difetti e che ruolo giocano, dobbiamo calcolare l'intera struttura atomica, qualcosa che finora è stato estremamente difficile, " disse Ramprasad, che detiene la Michael E. Tennenbaum Family Chair ed è Eminent Scholar in Energy Sustainability della Georgia Research Alliance. "L'attuale metodo di analisi di quei materiali utilizzando la meccanica quantistica è così lento che limita la quantità di analisi che può essere eseguita in un dato momento".

Ramprasad e i suoi colleghi, specializzati nell'uso dell'apprendimento automatico per sviluppare nuovi materiali, ha utilizzato un campione di dati creato da un'analisi della meccanica quantistica di alluminio e polietilene come input per insegnare a un potente computer come simulare tale analisi.

L'analisi della struttura elettronica di un materiale con la meccanica quantistica comporta la risoluzione dell'equazione di Kohn-Sham della teoria del funzionale della densità, che genera dati sulle funzioni d'onda e sui livelli di energia. Questi dati vengono quindi utilizzati per calcolare l'energia potenziale totale del sistema e le forze atomiche.

L'utilizzo del nuovo metodo di apprendimento automatico produce risultati simili otto ordini di grandezza più velocemente rispetto all'utilizzo della tecnica convenzionale basata sulla meccanica quantistica.

"Questa accelerazione senza precedenti nella capacità di calcolo ci consentirà di progettare materiali elettronici superiori a quelli attualmente disponibili, " ha detto Ramprasad. "Fondamentalmente possiamo dire, "Qui ci sono difetti con questo materiale che diminuiranno davvero l'efficienza della sua struttura elettronica." E una volta che possiamo affrontare tali aspetti in modo efficiente, possiamo progettare meglio i dispositivi elettronici."

Mentre lo studio si è concentrato su alluminio e polietilene, l'apprendimento automatico potrebbe essere utilizzato per analizzare la struttura elettronica di un'ampia gamma di materiali. Oltre ad analizzare la struttura elettronica, anche altri aspetti della struttura materiale ora analizzati dalla meccanica quantistica potrebbero essere accelerati dall'approccio dell'apprendimento automatico, ha detto Ramprasad.

"In parte abbiamo selezionato alluminio e polietilene perché sono componenti di un condensatore, ma ci ha anche permesso di dimostrare che puoi usare questo metodo per materiali molto diversi, come metalli che sono conduttori e polimeri che sono isolanti, " ha detto Ramprasad.

L'elaborazione più rapida consentita dal metodo di apprendimento automatico consentirebbe inoltre ai ricercatori di simulare più rapidamente in che modo le modifiche a un materiale influenzeranno la sua struttura elettronica, potenzialmente rivelando nuovi modi per migliorarne l'efficienza.