Os pesquisadores projetaram um método de aprendizado de máquina que pode prever a estrutura de novos materiais com cinco vezes a eficiência do padrão atual, removendo um obstáculo importante no desenvolvimento de materiais avançados para aplicações como armazenamento de energia e energia fotovoltaica.
Os pesquisadores, das universidades de Cambridge e Linkoping, projetaram uma maneira de prever a estrutura dos materiais, considerando seus elementos constitutivos. Os resultados são relatados na revista Science Advances .

O arranjo dos átomos em um material determina suas propriedades. A capacidade de prever computacionalmente esse arranjo para diferentes combinações de elementos, sem precisar fazer o material em laboratório, permitiria aos pesquisadores projetar e aprimorar materiais rapidamente. Isso abre caminho para avanços como melhores baterias e energia fotovoltaica.

No entanto, existem muitas maneiras que os átomos podem "empacotar" em um material:alguns empacotamentos são estáveis, outros não. Determinar a estabilidade de um empacotamento é computacionalmente intensivo e calcular todos os arranjos possíveis de átomos para encontrar o melhor não é prático. Este é um gargalo significativo na ciência dos materiais.

"Este desafio de previsão de estrutura de materiais é semelhante ao problema de dobramento de proteínas na biologia", disse o Dr. Alpha Lee do Laboratório Cavendish de Cambridge, que co-liderou a pesquisa. "Existem muitas estruturas possíveis em que um material pode se 'dobrar'. Exceto que o problema da ciência dos materiais talvez seja ainda mais desafiador do que a biologia porque considera um conjunto muito mais amplo de elementos."

Lee e seus colegas desenvolveram um método baseado em aprendizado de máquina que aborda com sucesso esse desafio. Eles desenvolveram uma nova maneira de descrever os materiais, usando a matemática da simetria para reduzir as infinitas maneiras que os átomos podem empacotar em materiais em um conjunto finito de possibilidades. Eles então usaram o aprendizado de máquina para prever o empacotamento ideal de átomos, dados os elementos e sua composição relativa no material.

Seu método prevê com precisão a estrutura de materiais que são promissores para aplicações piezoelétricas e de coleta de energia, com mais de cinco vezes a eficiência dos métodos atuais. Seu método também pode encontrar milhares de materiais novos e estáveis ​​que nunca foram feitos antes, de uma forma computacionalmente eficiente.

"O número de materiais possíveis é de quatro a cinco ordens de magnitude maior do que o número total de materiais que fabricamos desde a antiguidade", disse o co-primeiro autor Dr. Rhys Goodall, também do Laboratório Cavendish. "Nossa abordagem fornece uma abordagem computacional eficiente que pode 'minerar' novos materiais estáveis ​​que nunca foram feitos antes. Esses materiais hipotéticos podem então ser rastreados computacionalmente por suas propriedades funcionais".

Os pesquisadores agora estão usando sua plataforma de aprendizado de máquina para encontrar novos materiais funcionais, como materiais dielétricos. Eles também estão integrando outros aspectos das restrições experimentais em sua abordagem de descoberta de materiais. + Explorar mais

Um modelo treinado para prever perfis espectroscópicos ajuda a decifrar a estrutura dos materiais