Lo spazio dei materiali a grana grossa che utilizza le rappresentazioni Wyckoff consente un'efficiente scoperta di materiali basata sui dati. Un flusso di lavoro di scoperta dei materiali basato sull'apprendimento automatico che sfrutta i vantaggi della rappresentazione Wyckoff proposta. Il flusso di lavoro utilizza un modello di apprendimento automatico per prevedere le energie di formazione per i materiali candidati in una libreria enumerata di rappresentazioni di Wyckoff (le forme vengono utilizzate per denotare diverse posizioni di Wyckoff e colori per denotare diversi tipi di elementi). Queste energie di formazione previste vengono quindi confrontate con il noto scafo convesso di stabilità. Le strutture che soddisfano le simmetrie richieste vengono quindi generate e allentate per i materiali previsti per essere stabili. Le energie calcolate delle strutture rilassate possono quindi essere confrontate con lo scafo convesso noto per confermare se il candidato è stabile. Credito:Progressi scientifici (2022). DOI:10.1126/sciadv.abn4117
I ricercatori hanno progettato un metodo di apprendimento automatico in grado di prevedere la struttura di nuovi materiali con un'efficienza cinque volte superiore allo standard attuale, rimuovendo un ostacolo chiave nello sviluppo di materiali avanzati per applicazioni come l'accumulo di energia e il fotovoltaico.
I ricercatori, delle università di Cambridge e Linkoping, hanno progettato un modo per prevedere la struttura dei materiali dati i suoi elementi costitutivi. I risultati sono riportati nella rivista Science Advances .
La disposizione degli atomi in un materiale determina le sue proprietà. La capacità di prevedere questa disposizione in modo computazionale per diverse combinazioni di elementi, senza dover produrre il materiale in laboratorio, consentirebbe ai ricercatori di progettare e migliorare rapidamente i materiali. Questo apre la strada a progressi come batterie migliori e fotovoltaico.
Tuttavia, ci sono molti modi in cui gli atomi possono "impacchettarsi" in un materiale:alcuni imballaggi sono stabili, altri no. Determinare la stabilità di un impaccamento è computazionalmente impegnativo e calcolare ogni possibile disposizione degli atomi per trovare quella migliore non è pratico. Questo è un collo di bottiglia significativo nella scienza dei materiali.
"Questa sfida per la previsione della struttura dei materiali è simile al problema del ripiegamento delle proteine in biologia", ha affermato il dottor Alpha Lee del Cavendish Laboratory di Cambridge, che ha co-diretto la ricerca. "Ci sono molte possibili strutture in cui un materiale può 'ripiegarsi'. Tranne che il problema della scienza dei materiali è forse ancora più impegnativo della biologia perché considera un insieme di elementi molto più ampio."
Lee e i suoi colleghi hanno sviluppato un metodo basato sull'apprendimento automatico che affronta con successo questa sfida. Hanno sviluppato un nuovo modo di descrivere i materiali, usando la matematica della simmetria per ridurre gli infiniti modi in cui gli atomi possono impacchettare i materiali in un insieme finito di possibilità. Hanno quindi utilizzato l'apprendimento automatico per prevedere l'imballaggio ideale degli atomi, dati gli elementi e la loro relativa composizione nel materiale.
Il loro metodo prevede accuratamente la struttura dei materiali promettenti per le applicazioni piezoelettriche e di raccolta di energia, con un'efficienza oltre cinque volte superiore ai metodi attuali. Il loro metodo può anche trovare migliaia di materiali nuovi e stabili che non sono mai stati realizzati prima, in un modo efficiente dal punto di vista computazionale.
"Il numero di materiali possibili è da quattro a cinque ordini di grandezza maggiore del numero totale di materiali che abbiamo realizzato dall'antichità", ha affermato il co-primo autore il dottor Rhys Goodall, anche lui del Cavendish Laboratory. "Il nostro approccio fornisce un approccio computazionale efficiente che può "estrarre" nuovi materiali stabili che non sono mai stati realizzati prima. Questi materiali ipotetici possono quindi essere sottoposti a screening computazionale per le loro proprietà funzionali."
I ricercatori stanno ora utilizzando la loro piattaforma di apprendimento automatico per trovare nuovi materiali funzionali come i materiali dielettrici. Stanno anche integrando altri aspetti dei vincoli sperimentali nel loro approccio alla scoperta dei materiali. + Esplora ulteriormente
