p Os cientistas estão descobrindo novos materiais bidimensionais em um ritmo rápido, mas nem sempre sabem imediatamente o que esses materiais podem fazer. p Pesquisadores da Brown School of Engineering da Rice University dizem que podem descobrir rapidamente fornecendo detalhes básicos de suas estruturas a agentes de "aprendizado profundo" que têm o poder de mapear as propriedades dos materiais. Melhor ainda, os agentes podem modelar rapidamente os materiais que os cientistas estão pensando em fazer para facilitar o projeto "de baixo para cima" de materiais 2-D.

p Rouzbeh Shahsavari, professor assistente de engenharia civil e ambiental, e o estudante de graduação de Rice, Prabhas Hundi, explorou as capacidades das redes neurais e perceptrons multicamadas que obtêm dados mínimos das estruturas simuladas de materiais 2-D e fazem previsões "razoavelmente precisas" de suas características físicas, como força, mesmo depois de danificados pela radiação e altas temperaturas.

p Uma vez treinado, Shahsavari disse, esses agentes poderiam ser adaptados para analisar novos materiais 2-D com apenas 10% de seus dados estruturais. Isso retornaria uma análise das resistências do material com cerca de 95 por cento de precisão, ele disse.

p "Isso sugere que a aprendizagem por transferência (em que um algoritmo de aprendizagem profunda treinado em um material pode ser aplicado a outro) é uma virada de jogo potencial na descoberta de materiais e abordagens de caracterização, "sugeriram os pesquisadores.

p Os resultados de seus extensos testes com grafeno e nitreto de boro hexagonal aparecem na revista Pequena .

p Desde a descoberta do grafeno em 2004, materiais com a espessura de um átomo têm sido elogiados por sua força e variedade de propriedades eletrônicas para compósitos e eletrônicos. Como seus arranjos atômicos têm um impacto significativo em suas propriedades, os pesquisadores costumam usar simulações de dinâmica molecular para analisar as estruturas de novos materiais 2-D antes mesmo de tentar fazê-los.

p Shahsavari disse que o aprendizado profundo oferece um aumento significativo de velocidade em relação às simulações tradicionais de materiais 2-D e suas características, permitindo cálculos que agora levam dias do tempo do supercomputador para rodar em horas.

p "Porque podemos construir nossos mapas de estrutura-propriedade com apenas uma fração dos dados de simulações de dinâmica molecular de grafeno ou nitreto de boro, vemos uma ordem de magnitude menos tempo computacional para obter um comportamento completo do material, " ele disse.

p Shahsavari disse que o laboratório decidiu estudar grafeno e nitreto de boro hexagonal por sua alta tolerância à deterioração sob altas temperaturas e em ambientes ricos em radiação. propriedades importantes para materiais em naves espaciais e usinas nucleares. Porque o grupo Shahsavari já havia realizado mais de 11, 000 simulações de dinâmica molecular de danos em cascata de radiação para outro artigo sobre materiais 2-D, eles tiveram incentivo para ver se eles poderiam reproduzir seus resultados com um método muito mais rápido.

p Eles executaram milhares de simulações de "aprendizado profundo" em 80 combinações de radiação e temperatura para nitreto de boro hexagonal e 48 combinações para grafeno, acertar cada combinação com 31 doses aleatórias de radiação simulada. Para alguns, os pesquisadores treinaram o agente de aprendizagem profunda com um máximo de 45 por cento dos dados de seu estudo de dinâmica molecular, alcançando até 97 por cento de precisão na previsão de defeitos e seus efeitos nas características do material.

p Adaptando agentes treinados a diferentes materiais, eles encontraram, exigiu apenas cerca de 10 por cento dos dados simulados, acelerando muito o processo, mantendo uma boa precisão.

p "Tentamos descobrir as resistências residuais correspondentes dos materiais após a exposição a condições extremas, junto com todos os defeitos, "ele disse." Como esperado, quando a temperatura média ou a radiação eram muito altas, a resistência residual tornou-se muito baixa. Mas essa tendência nem sempre foi óbvia. "

p Em alguns casos, ele disse, a radiação mais alta combinada e temperaturas mais altas tornaram um material mais robusto em vez de menos, e ajudaria os pesquisadores a saber disso antes de fazer um produto físico.

p "Nosso método de aprendizado profundo no desenvolvimento de mapas de estrutura-propriedade pode abrir uma nova estrutura para entender o comportamento de materiais 2-D, descobrir suas semelhanças e anomalias não intuitivas, e, eventualmente, projetá-los melhor para aplicativos personalizados, "Shahsavari disse.