Projetar materiais que tenham as propriedades necessárias para cumprir funções específicas é um desafio enfrentado por pesquisadores que atuam em áreas que vão da catálise às células solares. Para acelerar os processos de desenvolvimento, abordagens de modelagem podem ser usadas para prever informações para orientar refinamentos. Pesquisadores do Instituto de Ciência Industrial da Universidade de Tóquio desenvolveram um modelo de aprendizado de máquina para determinar as características dos materiais ligados e adsorvidos com base nos parâmetros dos componentes individuais. Suas descobertas são publicadas em Física Aplicada Express .

Fatores como o comprimento e a resistência das ligações em materiais desempenham papéis cruciais na determinação das estruturas e propriedades que experimentamos na escala macroscópica. A capacidade de prever facilmente essas características é, portanto, valiosa ao projetar novos materiais.

A densidade de estados (DOS) é um parâmetro que pode ser calculado para átomos individuais, moléculas, e materiais. Simplificando, descreve as opções disponíveis para os elétrons que se organizam em um material. Uma abordagem de modelagem que pode levar essas informações para componentes selecionados e produzir dados úteis para o produto desejado - sem a necessidade de fazer e analisar o material - é uma ferramenta atraente.

Os pesquisadores usaram uma abordagem de aprendizado de máquina - em que o modelo refina sua resposta sem intervenção humana - para prever quatro propriedades diferentes de produtos a partir das informações DOS dos componentes individuais. Embora o DOS tenha sido usado como um descritor para estabelecer parâmetros únicos antes, esta é a primeira vez que várias propriedades diferentes foram previstas.

"Fomos capazes de prever quantitativamente a energia de ligação, Comprimento da ligação, número de elétrons covalentes, e a energia Fermi após a ligação para três diferentes tipos gerais de sistema, "explica o primeiro autor do estudo, Eiki Suzuki." E nossas previsões foram muito precisas em todas as propriedades. "

Como o cálculo do DOS de um estado isolado é menos complexo do que para sistemas ligados, a análise é relativamente eficiente. Além disso, o modelo de rede neural usado teve um bom desempenho, mesmo quando apenas 20% do conjunto de dados foi usado para treinamento.

"Uma vantagem significativa do nosso modelo é que ele é geral e pode ser aplicado a uma ampla variedade de sistemas, "O autor correspondente do estudo, Teruyasu Mizoguchi, explica." Acreditamos que nossas descobertas podem dar uma contribuição significativa para vários processos de desenvolvimento, por exemplo, em catálise, e pode ser particularmente útil em novas áreas de pesquisa, como nano clusters e nanofios. "

O artigo, "Predição precisa de propriedades de ligação por um modelo baseado em aprendizado de máquina usando estados isolados antes da ligação", foi publicado em Física Aplicada Express .