p Os cientistas demonstraram uma maneira de aumentar as chances de resolver estruturas materiais, alimentando dados de vários experimentos e teorias em um "otimizador global" que usa algoritmos matemáticos para estreitar a gama de soluções possíveis com base em sua análise dos conjuntos de dados complementares.
p Materiais com produtos químicos, óptico, e as propriedades eletrônicas impulsionadas por estruturas que medem bilionésimos de um metro podem levar a tecnologias de energia aprimoradas - de células solares mais eficientes a baterias densas em energia de longa duração. Instrumentos científicos, como os do Centro de Nanomateriais Funcionais do Laboratório Brookhaven (CFN) e a recém-inaugurada Fonte de Luz Síncrotron Nacional II (NSLS-II), ambos DOE Office of Science User Facilities, oferecem novas maneiras de estudar materiais nesta escala de comprimento nanométrico - incluindo como eles operam em dispositivos reais. p Esses experimentos produzem grandes quantidades de dados, revelando detalhes importantes sobre os materiais. Mas agora os cientistas não têm as ferramentas computacionais de que precisam para usar esses dados para o projeto de materiais racionais - uma etapa essencial para acelerar a descoberta de materiais com as características de desempenho necessárias para o mundo real, implementação em larga escala. Para atingir esse objetivo, o que é necessário é uma nova maneira de combinar os dados de uma série de experimentos junto com descrições teóricas do comportamento dos materiais em modelos preditivos válidos que os cientistas podem usar para desenvolver novos materiais poderosos.
p "Há uma chance muito boa de que a experiência em computação de alto desempenho e algoritmos matemáticos aplicados desenvolvidos com o apoio do Office of Advanced Scientific Computing Research (ASCR) do DOE nos ajude a progredir nessa fronteira, "disse Simon Billinge, um físico do Laboratório Nacional de Brookhaven e da Escola de Engenharia e Ciências Aplicadas da Universidade de Columbia. Na conferência SC14, Simon apresentou uma solução potencial que faz uso da teoria matemática e ferramentas computacionais para extrair as informações essenciais para o fortalecimento dos modelos de desempenho de materiais.
p "Muitos dos modelos que temos para esses materiais não são robustos, "disse ele." Idealmente, gostaríamos de poder programar nas propriedades que queremos, digamos, conversão eficiente de energia solar, supercondutividade, enorme capacidade de armazenamento elétrico - e fazer com que o modelo expanda o design de um novo material que terá essa propriedade, mas isso é claramente impossível com modelos não confiáveis. "
p Encontrar soluções possíveis para a estrutura de um material por meio da otimização global de um modelo que incorpora dados de várias técnicas experimentais é computacionalmente caro / demorado, mas deve ser feito várias vezes para verificar se há mais de uma solução compatível com os dados. Cada ponto nesses diagramas de triângulo representa uma maneira diferente de combinar as entradas dos três experimentos e a cor indica o número de soluções estruturais encontradas para essa combinação (o vermelho é a solução mais exclusiva). Somente quando é feito para muitos pontos os cientistas podem se concentrar na solução comum mais provável que é responsável por todos os dados. São necessários computadores de alto desempenho para lidar com a escala de computação necessária para fornecer resultados claros.
p Ferramentas experimentais poderosas, como o NSLS-II, tornam possíveis experimentos mais complexos. Mas ironicamente, algumas das novas técnicas tornam o processo de descoberta mais difícil.
p Billinge explica:"Materiais reais e aplicações reais dependem de detalhes finos da estrutura dos materiais, como defeitos, superfícies, e morfologia, portanto, experimentos que ajudam a revelar detalhes estruturais finos são essenciais. Mas alguns dos materiais mais interessantes são muito complexos, e então eles se tornam ainda mais complexos, dispositivos multicomponentes. Quando colocamos esses dispositivos complexos em um raio-x ou linha de luz de espalhamento de nêutrons, as interações dos feixes com todos os componentes complexos produzem resultados sobrepostos. Você está procurando pequenos sinais de defeitos e superfícies ocultas em um grande fundo de outras informações dos componentes extras, tudo isso degrada as informações úteis. "
p Ao mesmo tempo, a complexidade dos modelos que os cientistas estão tentando construir para entender esses materiais também está aumentando, então eles precisam de mais informações sobre esses detalhes essenciais para alimentar o modelo, não menos. Resolvendo esses problemas de confiabilidade, dadas todas as incertezas, requer abordagens matemáticas avançadas e computação de alto desempenho, então Simon e seus colaboradores estão trabalhando com ASCR em uma abordagem dupla para melhorar o processo.
p Do lado da entrada, eles combinam resultados de vários experimentos - espalhamento de raios-x, espalhamento de nêutrons, e também teoria. Do lado da saída, os cientistas tentam reduzir o que é chamado de dimensionalidade do modelo. Billinge explicou isso como sendo semelhante à compactação que cria um arquivo de música mp3, espalhando informações não essenciais que a maioria das pessoas não notaria que estão faltando.
p "Se reduzirmos a complexidade para minimizar a entrada necessária para tornar o problema solucionável, podemos executá-lo por meio de poderosos computadores de alto desempenho que usam métodos matemáticos avançados derivados da teoria da informação, quantificação de incerteza, e outras técnicas de análise de dados para classificar todos os detalhes, ", disse ele. Os algoritmos matemáticos podem reunir as informações complementares de diferentes experimentos - uma espécie de parábola sobre os cegos explorando diferentes partes de um elefante, mas agora compartilhando e combinando seus resultados - e use-os para prever a estrutura de materiais complexos.
p "Semelhante a um arquivo mp3, há alguma informação faltando nesses modelos. Mas, com a representação correta, pode ser bom o suficiente para ter valor preditivo e nos permitir projetar novos materiais, "Billinge disse.
