Um novo modelo de aprendizado de máquina para a caracterização de superfícies de materiais

Crédito:Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c13574

O aprendizado de máquina (ML) permite o cálculo preciso e eficiente de propriedades eletrônicas fundamentais de superfícies de óxidos binários e ternários, conforme mostrado por cientistas da Tokyo Tech. Seu modelo baseado em ML poderia ser estendido a outros compostos e propriedades. As descobertas, publicadas no Journal of the American Chemical Society , poderia auxiliar na triagem das propriedades superficiais dos materiais, bem como no desenvolvimento de materiais funcionais.

O projeto e o desenvolvimento de novos materiais com propriedades superiores exigem uma análise abrangente de suas estruturas atômicas e eletrônicas.

Parâmetros de energia eletrônica, como potencial de ionização (IP), a energia necessária para remover um elétron do máximo da banda de valência, e afinidade eletrônica (EA), a quantidade de energia liberada após a ligação de um elétron ao mínimo da banda de condução, revelam importantes informações sobre a estrutura da banda eletrônica de superfícies de semicondutores, isolantes e dielétricos.

A estimativa precisa de IPs e EAs em tais materiais não metálicos pode indicar sua aplicabilidade para uso como superfícies funcionais e interfaces em equipamentos fotossensíveis e dispositivos optoeletrônicos.

Além disso, IPs e EAs dependem significativamente das estruturas superficiais, o que acrescenta outra dimensão ao complexo procedimento de sua quantificação. O cálculo tradicional de IPs e EAs envolve o uso de cálculos precisos de primeiros princípios, onde os sistemas de volume e de superfície são quantificados separadamente. Este processo demorado impede a quantificação de IPs e EAs para muitas superfícies, o que exige o uso de abordagens computacionalmente eficientes.

Para abordar as amplas questões que afetam a quantificação de IPs e EAs de sólidos não metálicos, uma equipe de cientistas do Instituto de Tecnologia de Tóquio (Tokyo Tech), liderada pelo professor Fumiyasu Oba, voltou seu foco para o ML.

O professor Oba diz:"Nos últimos anos, o ML ganhou muita atenção na pesquisa em ciência de materiais. A capacidade de filtrar virtualmente materiais com base na tecnologia de ML é uma maneira muito eficiente de explorar novos materiais com propriedades superiores. Além disso, a capacidade de treinar grandes conjuntos de dados usando cálculos teóricos precisos permite a previsão bem-sucedida de características importantes da superfície e suas implicações funcionais."

Os pesquisadores empregaram uma rede neural artificial para desenvolver um modelo de regressão, incorporando a sobreposição suave de posições de átomos (SOAPs) como dados numéricos de entrada. Seu modelo previu com precisão e eficiência os IPs e EAs de superfícies de óxido binário usando as informações sobre estruturas cristalinas em massa e planos de terminação de superfície.

Além disso, o modelo de previsão baseado em ML poderia “transferir aprendizagem”, um cenário em que um modelo desenvolvido para uma finalidade específica pode ser feito para incorporar conjuntos de dados mais recentes e reaplicado para tarefas adicionais. Os cientistas incluíram os efeitos de múltiplos cátions em seu modelo, desenvolvendo SOAPs "aprendíveis" e previram os IPs e EAs de óxidos ternários usando aprendizagem por transferência.

O professor Oba conclui:"Nosso modelo não se restringe à previsão das propriedades superficiais dos óxidos, mas pode ser estendido para estudar outros compostos e suas propriedades."

Mais informações: Shin Kiyohara et al, Band Alignment of Oxides by Learnable Structural-Descriptor-Aided Neural Network and Transfer Learning, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c13574
Informações do diário: Jornal da Sociedade Americana de Química

Fornecido pelo Instituto de Tecnologia de Tóquio

Pesquisadores estudam efeitos da solvatação e valência iônica em metalopolímeros

Cientistas encontram novos caminhos para orientar e otimizar processos eletroquímicos

Química