Capacitores, dada sua alta produção de energia e velocidade de recarga, poderia desempenhar um papel importante no fornecimento de energia às máquinas do futuro, de carros elétricos a telefones celulares.

Mas o maior obstáculo para esses dispositivos de armazenamento de energia é que eles armazenam muito menos energia do que uma bateria de tamanho semelhante.

Pesquisadores do Instituto de Tecnologia da Geórgia estão lidando com esse problema de uma maneira nova, usando o aprendizado de máquina para, em última análise, encontrar maneiras de construir capacitores mais capazes.

O método, que foi descrito em 18 de fevereiro na revista npj materiais computacionais e patrocinado pelo U.S. Office of Naval Research, envolve ensinar um computador a analisar em nível atômico dois materiais que compõem alguns capacitores:alumínio e polietileno.

Os pesquisadores se concentraram em encontrar uma maneira de analisar mais rapidamente a estrutura eletrônica desses materiais, procurando recursos que podem afetar o desempenho.

"A indústria eletrônica quer conhecer as propriedades eletrônicas e a estrutura de todos os materiais que usa para produzir dispositivos, incluindo capacitores, "disse Rampi Ramprasad, professor da Escola de Ciência e Engenharia de Materiais.

Pegue um material como o polietileno:é um isolante muito bom com uma grande lacuna de banda - uma faixa de energia proibida para portadores de carga elétrica. Mas se tiver um defeito, portadores de carga indesejados são permitidos no intervalo de banda, reduzindo a eficiência, ele disse.

"Para entender onde estão os defeitos e qual a função que desempenham, precisamos calcular toda a estrutura atômica, algo que até agora tem sido extremamente difícil, "disse Ramprasad, que detém a cadeira da família Michael E. Tennenbaum e é bolsista eminente da Georgia Research Alliance em sustentabilidade energética. "O método atual de análise desses materiais usando a mecânica quântica é tão lento que limita a quantidade de análise que pode ser realizada em um determinado momento."

Ramprasad e seus colegas, que se especializam no uso de aprendizado de máquina para ajudar a desenvolver novos materiais, usou uma amostra de dados criada a partir de uma análise da mecânica quântica de alumínio e polietileno como uma entrada para ensinar um computador poderoso a simular essa análise.

Analisar a estrutura eletrônica de um material com a mecânica quântica envolve resolver a equação de Kohn-Sham da teoria do funcional da densidade, que gera dados sobre funções de onda e níveis de energia. Esses dados são então usados ​​para calcular a energia potencial total do sistema e as forças atômicas.

Usar o novo método de aprendizado de máquina produz resultados semelhantes oito ordens de magnitude mais rápido do que usar a técnica convencional baseada na mecânica quântica.

"Esta aceleração sem precedentes na capacidade computacional nos permitirá projetar materiais eletrônicos superiores ao que existe atualmente, "Ramprasad disse." Basicamente, podemos dizer, 'Aqui estão os defeitos desse material que realmente vão diminuir a eficiência de sua estrutura eletrônica.' E uma vez que podemos abordar esses aspectos de forma eficiente, podemos projetar melhor os dispositivos eletrônicos. "

Enquanto o estudo se concentrou em alumínio e polietileno, o aprendizado de máquina pode ser usado para analisar a estrutura eletrônica de uma ampla variedade de materiais. Além de analisar a estrutura eletrônica, outros aspectos da estrutura material agora analisados ​​pela mecânica quântica também podem ser acelerados pela abordagem de aprendizado de máquina, Ramprasad disse.

"Em parte, selecionamos alumínio e polietileno porque são componentes de um capacitor, mas também nos permitiu demonstrar que você pode usar esse método para materiais muito diferentes, como metais que são condutores e polímeros que são isolantes, "Ramprasad disse.

O processamento mais rápido permitido pelo método de aprendizado de máquina também permitiria aos pesquisadores simular mais rapidamente como as modificações em um material impactarão sua estrutura eletrônica, potencialmente revelando novas maneiras de melhorar sua eficiência.