Cientistas usam redes neurais para prever a estabilidade de materiais

Redes neurais artificiais – algoritmos inspirados por conexões no cérebro – “aprenderam” a realizar uma variedade de tarefas, desde a detecção de pedestres em carros autônomos, até a análise de imagens médicas e a tradução de idiomas. Pesquisadores da Universidade da Califórnia em San Diego estão treinando redes neurais artificiais para prever novos materiais estáveis.

“Prever a estabilidade dos materiais é um problema central na ciência dos materiais, física e química”, disse o autor sênior Shyue Ping Ong, professor de nanoengenharia da Faculdade de Engenharia da UC San Diego Jacobs. “Por um lado, você tem uma intuição química tradicional, como as cinco regras de Linus Pauling que descrevem a estabilidade dos cristais em termos de raios e empacotamento de íons. Por outro lado, você tem cálculos de mecânica quântica para calcular a energia obtida pela formação de um cristal isso tem que ser feito em supercomputadores. O que fizemos foi usar redes neurais artificiais para unir esses dois mundos. ”

Treinando redes neurais artificiais para prever a energia de formação de um cristal usando apenas duas entradas – eletronegatividade e raio iônico dos átomos constituintes – Ong e sua equipe no Materials Virtual Lab desenvolveram modelos que podem identificar materiais estáveis ​​em duas classes de cristais conhecidas como granadas e perovskitas. Esses modelos são até 10 vezes mais precisos do que os modelos anteriores de machine learning e são rápidos o suficiente para exibir de forma eficiente milhares de materiais em questão de horas em um laptop. A equipe detalha o trabalho em um artigo publicado em 18 de setembro na Nature Communications.

“As granadas e as perovskitas são usadas em luzes LED, baterias recarregáveis ​​de íons de lítio e células solares. Essas redes neurais têm o potencial de acelerar consideravelmente a descoberta de novos materiais para essas e outras aplicações importantes”, observou Weike Ye. Ph.D, estudante no Laboratório Virtual de Materiais da Ong.

A equipe tornou seus modelos acessíveis publicamente por meio de um aplicativo da web em http://crystals.ai. Isso permite que outras pessoas usem essas redes neurais para calcular a energia de formação de qualquer composição de granada ou perovskita em tempo real.

Os pesquisadores planejam estender a aplicação de redes neurais a outros protótipos de cristal, bem como a outras propriedades do material.

Weike Ye et al, Deep neural networks for accurate predictions of crystal stability, Nature Communications (2018). DOI: 10.1038/s41467-018-06322-x

[Total: 0    Média: 0/5]