Se você quiser entender como um material muda de uma configuração de nível atômico para outra, não é suficiente capturar instantâneos de estruturas antes e depois. Seria melhor rastrear os detalhes da transição conforme ela acontece. O mesmo vale para estudar catalisadores, materiais que aceleram as reações químicas reunindo ingredientes-chave; a ação crucial é freqüentemente desencadeada por mudanças sutis na escala atômica em estágios intermediários.

"Para entender a estrutura desses estados de transição, precisamos de ferramentas para medir e identificar o que acontece durante a transição, "disse Anatoly Frenkel, um físico com uma nomeação conjunta no Laboratório Nacional Brookhaven do Departamento de Energia dos EUA e na Universidade Stony Brook.

Frenkel e seus colaboradores desenvolveram agora uma ferramenta de "reconhecimento de fase" - ou mais precisamente, uma forma de extrair assinaturas "ocultas" de uma estrutura desconhecida a partir de medições feitas por ferramentas existentes. Em um artigo publicado recentemente em Cartas de revisão física , eles descrevem como treinaram uma rede neural para reconhecer características no espectro de absorção de raios-X de um material que são sensíveis ao arranjo dos átomos em uma escala muito fina. O método ajudou a revelar detalhes dos rearranjos em escala atômica que o ferro sofre durante uma mudança de fase importante, mas mal compreendida.

"Este treinamento de rede é semelhante a como o aprendizado de máquina é usado na tecnologia de reconhecimento facial, "Frenkel explicou. Nessa tecnologia, computadores analisam milhares de imagens de rostos e aprendem a reconhecer características-chave, ou descritores, e as diferenças que diferenciam os indivíduos. "Existe uma correlação entre algumas características dos dados, "Frenkel explicou." Na linguagem de nossos dados de raios-X, as correlações existem entre a intensidade de diferentes regiões dos espectros que também têm relevância direta para a estrutura subjacente e a fase correspondente. "

Treinamento de rede

Para preparar a rede neural para o "reconhecimento de fase", isto é, para ser capaz de reconhecer as principais características espectrais - os cientistas precisavam de um conjunto de imagens de treinamento.

Janis Timoshenko, um pós-doutorado trabalhando com Frenkel em Stony Brook e principal autor do artigo, enfrentou esse desafio. Primeiro, ele usou simulações de dinâmica molecular para criar 3000 modelos de estruturas realistas correspondentes a diferentes fases do ferro e diferentes graus de desordem.

"Nestes modelos, queríamos levar em conta os efeitos dinâmicos, então definimos as forças que agem entre os diferentes átomos e permitimos que os átomos se movam influenciados por essas forças, "Timoshenko disse. Então, usando abordagens bem estabelecidas, ele usou cálculos matemáticos para derivar os espectros de absorção de raios X que seriam obtidos de cada uma dessas 3.000 estruturas.

"Não é um problema simular um espectro, "Timoshenko disse, "é um problema entendê-los na direção inversa - comece com o espectro para chegar à estrutura - e é por isso que precisamos da rede neural!"

Depois de usar os dados espectrais modelados de Timoshenko para treinar a rede, os cientistas colocaram seu método em teste usando dados espectrais reais coletados enquanto o ferro passava pela transição de fase.

"Não existem muitos métodos experimentais para monitorar esta transição, o que acontece em temperaturas bastante altas, "Timoshenko disse." Mas nossos colaboradores - Alexei Kuzmin, Juris Purans, Arturs Cintins, e Andris Anspoks do Instituto de Física do Estado Sólido da Universidade da Letônia, minha antiga instituição - realizou esta experiência realmente agradável no síncrotron ELETTRA na Itália para coletar dados de absorção de raios-X nesta transição de fase pela primeira vez. "

A rede neural foi capaz de extrair as informações estruturais relevantes do espectro de absorção de raios-X do ferro - em particular, a função de distribuição radial, que é uma medida das separações entre os átomos e quão prováveis ​​as várias separações são. Esta função, único para qualquer material, é a chave que pode desbloquear os detalhes ocultos da estrutura, de acordo com Frenkel. Isso permitiu aos cientistas quantificar as mudanças na densidade e coordenação dos átomos de ferro no processo de sua transição de um arranjo atômico para outro.

Aplicativos adicionais

Além de ser útil para estudar a dinâmica das mudanças de fase, este método pode ser usado para monitorar os arranjos de nanopartículas em catalisadores e outros materiais, os cientistas dizem.

"Sabemos que as nanopartículas em materiais catalíticos mudam sua estrutura nas condições de reação. É muito importante entender a estrutura de transição - por que ela muda, e como isso afeta as propriedades e processos catalíticos, "Timoshenko disse.

As nanopartículas também costumam assumir estruturas que se encontram em algum lugar entre cristalinas e amorfas, com variações estruturais entre a superfície e o volume. Este método deve ser capaz de separar essas diferenças para que os cientistas possam avaliar sua relevância para o desempenho do material.

O método também seria útil para estudar materiais heterogêneos (que são feitos de uma combinação de partículas com diferentes tamanhos e formas) e isômeros da mesma partícula (que contêm o mesmo número de átomos, mas diferem em seus arranjos).

"Nenhuma técnica pode imaginar posições de átomos em três dimensões com tanta precisão para dizer qual é a diferença entre suas formas. Mas se medirmos essa função de distribuição radial, há uma chance de diferenciá-los - e abordar questões importantes sobre o papel da heterogeneidade na catálise, "Frenkel disse.