p Em um ensaio de setembro de 2020 em Nature Energy , três cientistas colocaram vários "grandes desafios" - um dos quais era encontrar materiais adequados para dispositivos de armazenamento de energia térmica que pudessem ser usados ​​em conjunto com sistemas de energia solar. Fortuitamente, Mingda Li - o professor assistente de ciência e engenharia nuclear de Norman C. Rasmussen no MIT, que chefia o Quantum Matter Group do departamento - já estava pensando em linhas semelhantes. Na verdade, Li e nove colaboradores (do MIT, Laboratório Nacional Lawrence Berkeley, e o Argonne National Laboratory) estavam desenvolvendo uma nova metodologia, envolvendo uma nova abordagem de aprendizado de máquina, isso tornaria mais rápido e fácil identificar materiais com propriedades favoráveis ​​para armazenamento de energia térmica e outros usos. p Os resultados de sua investigação aparecem este mês em um jornal da Ciência Avançada . "Esta é uma abordagem revolucionária que promete acelerar o design de novos materiais funcionais, "comenta o físico Jaime Fernandez-Baca, um distinto membro da equipe do Laboratório Nacional Oak Ridge.

p Um desafio central na ciência dos materiais, Li e seus co-autores escrevem, é "estabelecer relações estrutura-propriedade" - descobrir as características que um material com uma determinada estrutura atômica teria. A equipe de Li está focada, em particular, sobre o uso de conhecimento estrutural para prever a "densidade de fônons de estados, "que tem uma influência crítica nas propriedades térmicas.

p Para entender esse termo, é melhor começar com a palavra phonon. "Um material cristalino é composto de átomos dispostos em uma estrutura de rede, "explica Nina Andrejevic, um Ph.D. estudante de ciência e engenharia de materiais. "Podemos pensar nesses átomos como esferas conectadas por molas, e a energia térmica faz com que as molas vibrem. E essas vibrações, que ocorrem apenas em frequências ou energias discretas [quantizadas], são o que chamamos de fonons. "

p A densidade de fônons de estados é simplesmente o número de modos vibracionais, ou fonões, encontrado dentro de uma determinada frequência ou faixa de energia. Conhecendo a densidade de fônons de estados, pode-se determinar a capacidade de transporte de calor de um material, bem como sua condutividade térmica, que se relaciona com a rapidez com que o calor passa através de um material, e até mesmo a temperatura de transição supercondutora em um supercondutor. "Para fins de armazenamento de energia térmica, você quer um material com um alto calor específico, o que significa que pode absorver calor sem um aumento acentuado da temperatura, "Li." Você também quer um material com baixa condutividade térmica para que retenha o calor por mais tempo.

p A densidade de fônons de estados, Contudo, é um termo difícil de medir experimentalmente ou computar teoricamente. "Para uma medição como esta, é preciso ir a um laboratório nacional para usar um grande instrumento, cerca de 10 metros de comprimento, a fim de obter a resolução de energia necessária, "Disse Li." Isso é porque o sinal que procuramos é muito fraco. "

p "E se você quiser calcular a densidade de fonons dos estados, a maneira mais precisa de fazer isso depende da teoria de perturbação funcional da densidade (DFPT), "observa Zhantao Chen, um Ph.D. em engenharia mecânica. estudante. "Mas esses cálculos são escalonados com a quarta ordem do número de átomos no bloco de construção básico do cristal, o que pode exigir dias de tempo de computação em um cluster de CPU. "Para ligas, que contém dois ou mais elementos, os cálculos se tornam muito mais difíceis, possivelmente levando semanas ou até mais.

p O novo método, disse Li, poderia reduzir essas demandas computacionais para alguns segundos em um PC. Em vez de tentar calcular a densidade de fônons dos estados a partir dos primeiros princípios, o que é claramente uma tarefa trabalhosa, sua equipe empregou uma abordagem de rede neural, utilizando algoritmos de inteligência artificial que permitem a um computador aprender com o exemplo. A ideia era apresentar a rede neural com dados suficientes sobre a estrutura atômica de um material e sua densidade de fônons de estados associados para que a rede pudesse discernir os padrões principais que conectam os dois. Depois de "treinar" desta forma, a rede faria previsões confiáveis ​​de densidade de estados para uma substância com uma determinada estrutura atômica.

p As previsões são difíceis, Li explica, porque a densidade de fônons de estados não pode ser descrita por um único número, mas sim por uma curva (análoga ao espectro de luz emitido em diferentes comprimentos de onda por um objeto luminoso). "Outro desafio é que só temos dados confiáveis ​​[densidade de estados] para cerca de 1, 500 materiais. Quando tentamos o aprendizado de máquina pela primeira vez, o conjunto de dados era muito pequeno para suportar previsões precisas. "

p Seu grupo então se juntou à física de Lawrence Berkeley, Tess Smidt '12, um co-inventor das chamadas redes neurais euclidianas. "O treinamento de uma rede neural convencional normalmente requer conjuntos de dados contendo centenas de milhares a milhões de exemplos, "Smidt diz. Uma parte significativa dessa demanda de dados decorre do fato de que uma rede neural convencional não entende que um padrão 3D e uma versão girada do mesmo padrão estão relacionados e realmente representam a mesma coisa. Antes que ela possa reconhecer os padrões 3D -nesse caso, o arranjo geométrico preciso dos átomos em um cristal - primeiro é necessário mostrar o mesmo padrão a uma rede neural convencional em centenas de orientações diferentes.

p "Como as redes neurais euclidianas entendem a geometria - e reconhecem que os padrões girados ainda 'significam' a mesma coisa - elas podem extrair a quantidade máxima de informações de uma única amostra, "Smidt acrescenta. Como resultado, uma rede neural euclidiana treinada em 1, 500 exemplos podem superar uma rede neural convencional treinada em 500 vezes mais dados.

p Usando a rede neural euclidiana, a equipe previu densidade de fonões de estados para 4, 346 estruturas cristalinas. Eles então selecionaram os materiais com as 20 maiores capacidades de calor, comparar os valores de densidade de estados previstos com aqueles obtidos por meio de cálculos demorados do DFPT. O acordo foi notavelmente fechado.

p A abordagem pode ser usada para escolher materiais de armazenamento de energia térmica promissores, de acordo com o mencionado "grande desafio, "Li diz." Mas também pode facilitar muito o design de ligas, porque agora podemos determinar a densidade de estados para ligas tão facilmente quanto para cristais. Este, por sua vez, oferece uma grande expansão em possíveis materiais que poderíamos considerar para armazenamento térmico, bem como muitos outros aplicativos. "

p Alguns aplicativos têm, na verdade, já começou. O código de computador do grupo MIT foi instalado em máquinas em Oak Ridge, permitindo aos pesquisadores prever a densidade de fônons de estados de um determinado material com base em sua estrutura atômica.

p Andrejevic aponta, além disso, que as redes neurais euclidianas têm um potencial ainda mais amplo que ainda não foi explorado. "Eles podem nos ajudar a descobrir propriedades materiais importantes, além da densidade de fônons dos estados. Portanto, isso poderia abrir o campo em grande estilo." p Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.