Encontrar novos materiais funcionais é sempre complicado. Mas procurar propriedades muito específicas entre uma família relativamente pequena de materiais conhecidos é ainda mais difícil.

Mas uma equipe da Northwestern Engineering e do Laboratório Nacional de Los Alamos encontrou uma solução alternativa. O grupo desenvolveu um novo fluxo de trabalho que combina aprendizado de máquina e cálculos da teoria funcional da densidade para criar diretrizes de design para novos materiais que exibem propriedades eletrônicas úteis, como ferroeletricidade e piezoeletricidade.

Poucos materiais em camadas têm essas qualidades em certas geometrias - cruciais para o desenvolvimento de soluções para a eletrônica, comunicação, e problemas de energia - o que significa que havia muito poucos dados para formular as diretrizes usando abordagens de pesquisa tradicionais.

"Quando outras pessoas procuram novos materiais, normalmente procuram em locais onde tenham muitos dados de materiais semelhantes. Não é necessariamente fácil de forma alguma, mas sabemos como extrair informações de grandes conjuntos de dados, "disse James M. Rondinelli, professor assistente de ciência de materiais e engenharia na McCormick School of Engineering. "Quando você não tem muitas informações, aprender com os dados se torna um problema difícil. "

A pesquisa é descrita no artigo "Aprendendo com dados para projetar materiais funcionais sem simetria de inversão, "aparecendo em 17 de fevereiro, 2017, emissão de Nature Communications . Prasanna Balachandran, do Laboratório Nacional de Los Alamos, no Novo México, é a co-autora do jornal. Joshua Young, um ex-aluno de pós-graduação no laboratório de Rondinelli, e Turab Lookman, um pesquisador sênior em Los Alamos, também contribuiu.

Apoiado por fundos da National Science Foundation e do Laboratory Directed Research and Development Program através de Los Alamos, O grupo de Rondinelli se concentrou em uma classe de óxidos complexos bidimensionais - ou óxidos de Ruddlesden-Popper. Esses materiais exibem muitas propriedades habilitadoras de tecnologia, como ferroeletricidade e piezoeletricidade, e pode ter interface com materiais semicondutores tradicionais encontrados nos dispositivos eletrônicos de hoje.

"Nesta família, o conjunto de dados é insignificante. Atualmente, existem apenas cerca de 10 a 15 materiais que são conhecidos com as propriedades desejadas, "Rondinelli disse." Não são muitos dados para se trabalhar. Tradicionalmente, a ciência de dados é usada para problemas de big data em que há menos necessidade de conhecimento de domínio. "

"Apesar da natureza limitada dos dados do problema, "Balachandran acrescentou, "nossa abordagem funcionou porque fomos capazes de combinar nossa compreensão desses materiais (conhecimento de domínio) com os dados para informar o aprendizado de máquina."

Portanto, o grupo começou a construir um banco de dados de materiais conhecidos e a usar o aprendizado de máquina, um subcampo da ciência da computação que constrói algoritmos capazes de aprender com os dados e então usar esse aprendizado para fazer melhores previsões. "Com o aprendizado de máquina, somos capazes de identificar composições químicas que são prováveis ​​candidatas ao material que você deseja desenvolver, " ele disse.

Dos mais de 3, 000 possíveis materiais investigados, a abordagem de ciência de dados encontrou mais de 200 candidatos promissores. Próximo, a equipe aplicou vários tipos de cálculos rigorosos da mecânica quântica. Este avaliou as estruturas atômicas dos materiais potenciais e verificou sua estabilidade.

"Ficamos imaginando:o material teria a estrutura prevista? Ele tem polarização elétrica? Pode ser feito em laboratório?" Rondinelli acrescentou.

Este trabalho estreitou as possibilidades para 19, que foram recomendados para síntese experimental imediata. No entanto, é provável que haja muito mais possibilidades entre os 200 candidatos.

Tipicamente, ao desenvolver novos materiais, o número de possibilidades é muito grande para explorar e desenvolver cada uma. O processo de triagem de materiais potenciais é muito caro, e os cientistas devem ser seletivos em seus investimentos.

"Nosso trabalho tem o potencial de ajudar a economizar muito tempo e recursos, "Balachandran disse." Em vez de explorar todos os materiais possíveis, apenas os materiais que têm potencial para serem promissores serão recomendados para investigação experimental. "