Pesquisadores desenvolvem estrutura para banco de dados de propriedades de defeitos de cristal
Da esquerda para a direita:Os pesquisadores do LLNL Jimmy Shen, Lars Voss e Joel Varley possuem software que pode automatizar e analisar defeitos pontuais em materiais de maneira eficiente e eficaz. Crédito:Blaise Douros/LLNL Defeitos pontuais (por exemplo, átomos ausentes, extras ou trocados) em materiais cristalinos geralmente determinam a resposta eletrônica e óptica real de um determinado material. Por exemplo, as substituições controladas em semicondutores como o silício são a espinha dorsal da tecnologia moderna. Apesar da sua importância, os defeitos pontuais são notoriamente difíceis de simular e caracterizar, particularmente em amplas regiões da tabela periódica.
Pesquisadores do Laboratório Nacional Lawrence Livermore (LLNL) criaram agora um software como parte de sua distribuição de software de código aberto que pode automatizar e analisar esses tipos de cálculos de maneira eficiente e eficaz.
Os autores demonstraram a abordagem totalmente automatizada em vários materiais tecnologicamente importantes. incluindo nitreto de gálio (a base de toda a iluminação moderna de estado sólido), óxido de gálio (um semicondutor emergente de banda ultralarga) e titanato de estrôncio (um mineral comum amplamente estudado), com o trabalho publicado recentemente no Journal of Applied Physics e selecionado como Escolha do Editor como parte de uma edição especial sobre "Defeitos em Semicondutores".
“Este trabalho permitiu-nos observar de forma mais sistemática os diferentes tipos de defeitos em materiais que apresentam o comportamento que procurávamos”, disse Lars Voss, co-autor do trabalho.
"Temos feito esses tipos de cálculos manualmente há anos, mas os avanços modernos na computação de alto rendimento e no software de banco de dados tornaram essa abordagem mais prática e flexível", disse o cientista do LLNL Joel Varley, também autor colaborador do artigo.
O estudo e o software de código aberto desenvolvidos como parte do projeto atraíram o interesse de diversas equipes de pesquisa internacionais e da indústria, disseram os pesquisadores.
"Agora que desenvolvemos uma estrutura para simplificar essa abordagem com práticas modernas de banco de dados, isso abre um caminho direto para a curadoria de dados para abordagens de aprendizado de máquina a serem aplicadas sistematicamente a propriedades de defeitos pontuais pela comunidade", disse Jimmy Shen, líder autor no papel.