Os materiais cristalinos são compostos de átomos, íons ou moléculas dispostas em uma estrutura tridimensional ordenada. Eles são amplamente utilizados para o desenvolvimento de semicondutores, produtos farmacêuticos, fotovoltaicos e catalisadores.



O tipo de estruturas que se enquadram na categoria de materiais cristalinos continua a se expandir à medida que os cientistas projetam novos materiais para enfrentar os desafios emergentes relativos ao armazenamento de energia, captura de carbono e eletrônica avançada.

No entanto, o desenvolvimento de tais materiais necessita de formas precisas de identificá-los. Atualmente, a difração de raios X em pó é amplamente utilizada para esse fim. Ele identifica a estrutura de materiais cristalinos examinando raios X dispersos de uma amostra em pó. Porém, a tarefa de identificação torna-se bastante complexa quando se trata de amostras multifásicas contendo diferentes tipos de cristais com estruturas, orientações ou composições distintas.

Nesses casos, a identificação precisa das diversas fases presentes na amostra depende da expertise dos cientistas, tornando o processo demorado. Para agilizar esse processo, métodos inovadores baseados em dados, como o aprendizado de máquina, têm sido usados ​​para distinguir fases individuais em amostras multifásicas.

Embora tenha sido feito um progresso substancial na utilização deles para coletar informações sobre fases conhecidas, a identificação de fases desconhecidas em amostras multifásicas ainda permanece um desafio.

Agora, no entanto, os pesquisadores propuseram um novo modelo de "classificador binário" de aprendizado de máquina que pode identificar a presença de fases quasicristais icosaédricas (i-QC) - um tipo de sólidos ordenados de longo alcance que têm auto-similaridade em seus padrões de difração - de padrões de difração de raios X multifásicos em pó.

Este estudo envolveu a colaboração entre a Universidade de Ciências de Tóquio (TUS), a Academia de Defesa Nacional, o Instituto Nacional de Ciência de Materiais, a Universidade de Tohoku e o Instituto de Matemática Estatística. Foi liderado pelo Professor Associado Júnior Tsunetomo Yamada da TUS, Japão, e foi publicado na Advanced Science jornal em 14 de novembro de 2023.

"Em todo o mundo, pesquisadores têm feito tentativas de prever novas substâncias usando inteligência artificial e aprendizado de máquina. No entanto, identificar se uma substância desejada é produzida exige muito tempo e esforço por parte de especialistas humanos. Portanto, tivemos a ideia de usar o aprendizado profundo para identificar novas fases", explica o Dr. Yamada.

Para desenvolver o referido modelo, os pesquisadores criaram primeiro um “classificador binário” utilizando 80 tipos de redes neurais convolucionais. Em seguida, eles treinaram o modelo classificador usando padrões sintéticos de difração de raios X multifásicos, que foram projetados como representações dos padrões esperados associados às fases do i-QC. Após a fase de treinamento, o desempenho do modelo foi avaliado utilizando padrões sintéticos e um banco de dados de padrões reais.

Curiosamente, o modelo alcançou uma precisão de previsão superior a 92%. Ele também identificou com sucesso uma fase i-QC desconhecida em ligas multifásicas de Al – Si – Ru quando usada para triagem de 440 padrões de difração medidos de materiais desconhecidos em seis sistemas de liga diferentes. A presença da fase i-QC desconhecida foi ainda confirmada na análise da microestrutura e composição do material por microscopia eletrônica de transmissão.

Notavelmente, o método de aprendizagem profunda proposto tem a capacidade de identificar a fase i-QC mesmo quando não é o componente mais proeminente na mistura. Além disso, este modelo pode ser utilizado para a identificação de novos QCs decagonais e dodecagonais e também pode ser estendido a vários tipos de outros materiais cristalinos.

“Com o modelo proposto, conseguimos detectar fases quasicristalinas desconhecidas presentes em amostras multifásicas com alta precisão. A precisão deste modelo de aprendizagem profunda aponta, portanto, para a possibilidade de acelerar o processo de identificação de fases de amostras multifásicas”, conclui o Dr. . Além disso, o Dr. Yamada e sua equipe estão confiantes de que este modelo levará a um avanço no campo da ciência dos materiais.

Em resumo, este estudo é um avanço significativo na identificação de fases inteiramente novas em quasicristais comumente encontrados em materiais como sílica mesoporosa, minerais, ligas e cristais líquidos.

Mais informações: Hirotaka Uryu et al, Deep Learning permite identificação rápida de um novo quasicristal a partir de padrões de difração de pó multifásico, Ciência Avançada (2023). DOI:10.1002/advs.202304546
Informações do diário: Ciência Avançada

Fornecido pela Universidade de Ciências de Tóquio