25 de diciembre de 2023 (Proyector Nanowerk) Materiales bidimensionales (2D) como grafeno han atraído un gran interés en la ciencia y la industria por sus notables propiedades electrónicas, ópticas y mecánicas. Sin embargo, a pesar de los intensos estudios, se han sintetizado con éxito en los laboratorios menos de 100 materiales 2D distintos. Esto limita gravemente su uso práctico en transistores, sensores, baterías y otras aplicaciones.
Ahora, los investigadores han desarrollado un inteligencia artificial sistema que automatiza el descubrimiento y validación de materiales 2D químicamente estables. Esta técnica innovadora ya encontró seis nuevos candidatos 2D prometedores que se habían pasado por alto en búsquedas manuales anteriores.
Informan sus hallazgos en Sistemas inteligentes avanzados (“Descubrimiento de materiales 2D mediante diseño generativo basado en redes de transformadores”).
Arquitectura de la tubería del generador de transformador de material (MTG). BLMM es un generador de composición basado en redes neuronales transformadoras. TCSP y CSPML son algoritmos de predicción de estructuras cristalinas basados en plantillas, y BOWSR y M3GNET son algoritmos de relajación de estructuras basados en potencial de aprendizaje automático. La relajación DFT es un método de cálculo de primeros principios. (Reimpreso con autorización de Wiley-VCH Verlag)
Históricamente, los nuevos materiales se encontraban mediante minuciosos experimentos de prueba y error guiados por la intuición química humana. Pero el vasto espacio de búsqueda de posibles compuestos estables hace que las pruebas de fuerza bruta sean inverosímiles. "Hay demasiados materiales nuevos potenciales como para sintetizarlos y caracterizarlos uno por uno en los laboratorios", explica el coautor del estudio Jianjun Hu. "Necesitamos herramientas computacionales para explorar posibilidades de manera inteligente".
Durante la última década, la detección virtual de alto rendimiento se ha vuelto viable aprovechando los avances en la potencia informática y los algoritmos de estructura electrónica. Pero incluso los enfoques automatizados tienen dificultades para dar cuenta de la inmensa combinatoria de mezclar elementos en geometrías 2D estables. "El aprendizaje automático elimina a los humanos del circuito de descubrimiento y permite que los algoritmos aprendan por sí mismos analizando datos de materiales", dice Hu.
La nueva técnica, denominada Material Transformer Generator (MTG), integra varios componentes de IA. En primer lugar, utiliza un modelo de secuencia neuronal para generar combinaciones de átomos que obedecen a los requisitos de neutralidad de carga. A continuación, estas composiciones se introducen en algoritmos predictores de cristales especializados que las relacionan con la geometría de plantillas de materiales 2D conocidas mediante la sustitución de elementos. Luego, dos relajantes diferentes basados en aprendizaje automático optimizan las coordenadas atómicas de las estructuras predichas. Finalmente, los cálculos de la teoría del funcional de la densidad verifican si los materiales son termodinámicamente estables.
Sorprendentemente, esta tubería automatizada encontró cuatro nuevos compuestos 2D: NiCl4, IrSBr, CuBr3, CoBrCl: se confirma que es termodinámicamente estable con la teoría del funcional de densidad. Otros dos, GaBrO y NbBrCl.3, exhiben semiestabilidad muy cercana a los valores ideales. Los investigadores también validaron la estabilidad dinámica del CuBr.3 y GaBrO al no demostrar modos de fonones imaginarios. Esto indica que ambos pueden soportar vibraciones atómicas sin descomponerse.
"El constante descubrimiento de materiales realistas demuestra que estas técnicas de IA pueden recapitular la intuición química humana y el conocimiento científico hasta cierto punto", afirma Hu. "Pero también exploran la combinatoria más allá de lo que cualquier ser humano puede concebir". En particular, CuBr3 y GaBrO tienen estructuras simples en retrospectiva. Pero hasta ahora nada en la literatura científica indicaba su viabilidad.
En comparación con intentos anteriores de descubrimiento de materiales impulsados por IA, la gran innovación de MTG radica en su integración de un extremo a otro. "Cada componente individualmente tiene precedentes en la literatura", explica Hu. "Nuestro avance radica en conectar la composición, la predicción de estructuras, la relajación y la verificación con modelos de aprendizaje automático". Los investigadores compararon variantes de MTG menos cualquier componente y encontraron tasas de descubrimiento muy reducidas, lo que demuestra que la integración es clave.
Esta tecnología podría ampliar enormemente la paleta de materiales 2D disponibles para diseñar dispositivos de próxima generación. Pero antes de su adopción práctica a gran escala, los investigadores deben probar la síntesis de algunos de los compuestos propuestos en laboratorios físicos. "La validación definitiva requiere una demostración experimental", afirma Hu. "Ahora ese ímpetu recae en los químicos de materiales para descubrir las pistas destacadas por la simulación".
Si la síntesis tiene éxito, MTG podría iniciar una ola acelerada por IA de nuevos materiales 2D adaptados a aplicaciones industriales y científicas específicas. Su arquitectura neuronal también proporciona un modelo para automatizar el descubrimiento en dominios relacionados como catalizadores, polímeros y materiales cuánticos. "Prevemos laboratorios autónomos dirigidos por científicos artificiales que propongan y evalúen continuamente nuevos compuestos", concluye Hu. "Este trabajo ayuda a unir esa ambiciosa visión a largo plazo".
Arquitectura de la tubería del generador de transformador de material (MTG). BLMM es un generador de composición basado en redes neuronales transformadoras. TCSP y CSPML son algoritmos de predicción de estructuras cristalinas basados en plantillas, y BOWSR y M3GNET son algoritmos de relajación de estructuras basados en potencial de aprendizaje automático. La relajación DFT es un método de cálculo de primeros principios. (Reimpreso con autorización de Wiley-VCH Verlag)
Históricamente, los nuevos materiales se encontraban mediante minuciosos experimentos de prueba y error guiados por la intuición química humana. Pero el vasto espacio de búsqueda de posibles compuestos estables hace que las pruebas de fuerza bruta sean inverosímiles. "Hay demasiados materiales nuevos potenciales como para sintetizarlos y caracterizarlos uno por uno en los laboratorios", explica el coautor del estudio Jianjun Hu. "Necesitamos herramientas computacionales para explorar posibilidades de manera inteligente".
Durante la última década, la detección virtual de alto rendimiento se ha vuelto viable aprovechando los avances en la potencia informática y los algoritmos de estructura electrónica. Pero incluso los enfoques automatizados tienen dificultades para dar cuenta de la inmensa combinatoria de mezclar elementos en geometrías 2D estables. "El aprendizaje automático elimina a los humanos del circuito de descubrimiento y permite que los algoritmos aprendan por sí mismos analizando datos de materiales", dice Hu.
La nueva técnica, denominada Material Transformer Generator (MTG), integra varios componentes de IA. En primer lugar, utiliza un modelo de secuencia neuronal para generar combinaciones de átomos que obedecen a los requisitos de neutralidad de carga. A continuación, estas composiciones se introducen en algoritmos predictores de cristales especializados que las relacionan con la geometría de plantillas de materiales 2D conocidas mediante la sustitución de elementos. Luego, dos relajantes diferentes basados en aprendizaje automático optimizan las coordenadas atómicas de las estructuras predichas. Finalmente, los cálculos de la teoría del funcional de la densidad verifican si los materiales son termodinámicamente estables.
Sorprendentemente, esta tubería automatizada encontró cuatro nuevos compuestos 2D: NiCl4, IrSBr, CuBr3, CoBrCl: se confirma que es termodinámicamente estable con la teoría del funcional de densidad. Otros dos, GaBrO y NbBrCl.3, exhiben semiestabilidad muy cercana a los valores ideales. Los investigadores también validaron la estabilidad dinámica del CuBr.3 y GaBrO al no demostrar modos de fonones imaginarios. Esto indica que ambos pueden soportar vibraciones atómicas sin descomponerse.
"El constante descubrimiento de materiales realistas demuestra que estas técnicas de IA pueden recapitular la intuición química humana y el conocimiento científico hasta cierto punto", afirma Hu. "Pero también exploran la combinatoria más allá de lo que cualquier ser humano puede concebir". En particular, CuBr3 y GaBrO tienen estructuras simples en retrospectiva. Pero hasta ahora nada en la literatura científica indicaba su viabilidad.
En comparación con intentos anteriores de descubrimiento de materiales impulsados por IA, la gran innovación de MTG radica en su integración de un extremo a otro. "Cada componente individualmente tiene precedentes en la literatura", explica Hu. "Nuestro avance radica en conectar la composición, la predicción de estructuras, la relajación y la verificación con modelos de aprendizaje automático". Los investigadores compararon variantes de MTG menos cualquier componente y encontraron tasas de descubrimiento muy reducidas, lo que demuestra que la integración es clave.
Esta tecnología podría ampliar enormemente la paleta de materiales 2D disponibles para diseñar dispositivos de próxima generación. Pero antes de su adopción práctica a gran escala, los investigadores deben probar la síntesis de algunos de los compuestos propuestos en laboratorios físicos. "La validación definitiva requiere una demostración experimental", afirma Hu. "Ahora ese ímpetu recae en los químicos de materiales para descubrir las pistas destacadas por la simulación".
Si la síntesis tiene éxito, MTG podría iniciar una ola acelerada por IA de nuevos materiales 2D adaptados a aplicaciones industriales y científicas específicas. Su arquitectura neuronal también proporciona un modelo para automatizar el descubrimiento en dominios relacionados como catalizadores, polímeros y materiales cuánticos. "Prevemos laboratorios autónomos dirigidos por científicos artificiales que propongan y evalúen continuamente nuevos compuestos", concluye Hu. "Este trabajo ayuda a unir esa ambiciosa visión a largo plazo".
– Michael es autor de tres libros de la Royal Society of Chemistry:
Nano-sociedad: empujando los límites de la tecnología,
Nanotecnología: el futuro es pequeñoy
Nanoingeniería: las habilidades y herramientas que hacen que la tecnología sea invisible
Copyright ©
Nanowerk LLC
¡Conviértete en autor invitado de Spotlight! Únase a nuestro gran y creciente grupo de contribuyentes invitados. ¿Acaba de publicar un artículo científico o tiene otros desarrollos interesantes para compartir con la comunidad de nanotecnología? Aquí se explica cómo publicar en nanowerk.com.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://www.nanowerk.com/spotlight/spotid=64313.php
