Los científicos están descubriendo nuevos materiales bidimensionales a un ritmo rápido, pero no siempre saben de inmediato qué pueden hacer esos materiales.
Investigadores de la Escuela de Ingeniería Brown de la Universidad de Rice dicen que pueden averiguar rápidamente al proporcionar detalles básicos de sus estructuras a los agentes de "aprendizaje profundo" que tienen el poder de mapear las propiedades de los materiales. Mejor aún, los agentes pueden modelar rápidamente los científicos de materialesestán pensando en hacer para facilitar el diseño "de abajo hacia arriba" de materiales 2D.
Rouzbeh Shahsavari, profesor asistente de ingeniería civil y ambiental, y el estudiante graduado de Rice Prabhas Hundi exploró las capacidades de las redes neuronales y los perceptrones multicapa que toman datos mínimos de las estructuras simuladas de materiales 2D y hacen predicciones "razonablemente precisas" de su físicocaracterísticas, como la fuerza, incluso después de haber sido dañados por la radiación y las altas temperaturas.
Una vez capacitados, dijo Shahsavari, estos agentes podrían adaptarse para analizar nuevos materiales 2D con tan solo el 10 por ciento de sus datos estructurales. Eso devolvería un análisis de las resistencias del material con una precisión de aproximadamente el 95 por ciento, dijo.
"Esto sugiere que el aprendizaje por transferencia en el que un algoritmo de aprendizaje profundo entrenado en un material se puede aplicar a otro es un cambio potencial en los enfoques de descubrimiento y caracterización de materiales", sugirieron los investigadores.
Los resultados de sus extensas pruebas en grafeno y nitruro de boro hexagonal aparecen en la revista pequeño .
Desde el descubrimiento del grafeno en 2004, los materiales de espesor atómico han sido promocionados por su resistencia y rango de propiedades electrónicas para compuestos y electrónica. Debido a que sus disposiciones atómicas tienen un impacto significativo en sus propiedades, los investigadores a menudo usan simulaciones de dinámica molecular para analizarlas estructuras de nuevos materiales 2D incluso antes de intentar hacerlos.
Shahsavari dijo que el aprendizaje profundo ofrece un aumento significativo de la velocidad sobre tales simulaciones tradicionales de materiales 2D y sus características, permitiendo cálculos que ahora llevan días de tiempo de supercomputadora en horas.
"Debido a que podemos construir nuestros mapas de propiedades de estructura con solo una fracción de los datos de simulaciones de dinámica molecular de grafeno o nitruro de boro, vemos un orden de magnitud menos tiempo computacional para obtener un comportamiento completo del material", dijo.
Shahsavari dijo que el laboratorio decidió estudiar el grafeno y el nitruro de boro hexagonal por su alta tolerancia al deterioro bajo altas temperaturas y en entornos ricos en radiación, propiedades importantes para materiales en naves espaciales y plantas de energía nuclear. Debido a que el grupo Shahsavari ya había llevado a cabo másmás de 11,000 simulaciones de dinámica molecular de daños en cascada de radiación para otro artículo sobre materiales 2D, tenían incentivos para ver si podían reproducir sus resultados con un método mucho más rápido.
Ejecutaron miles de simulaciones de "aprendizaje profundo" en 80 combinaciones de radiación y temperatura para nitruro de boro hexagonal y 48 combinaciones para grafeno, aplicando cada combinación con 31 dosis aleatorias de radiación simulada. Para algunos, los investigadores entrenaron al agente de aprendizaje profundo conun máximo del 45 por ciento de los datos de su estudio de dinámica molecular, logrando hasta un 97 por ciento de precisión en la predicción de defectos y sus efectos sobre las características del material.
Descubrieron que la adaptación de agentes capacitados a diferentes materiales requería solo alrededor del 10 por ciento de los datos simulados, lo que acelera en gran medida el proceso y conserva una buena precisión.
"Intentamos determinar las resistencias residuales correspondientes de los materiales después de la exposición a condiciones extremas, junto con todos los defectos", dijo. "Como era de esperar, cuando la temperatura media o la radiación eran demasiado altas, la resistencia residual se convirtió enbastante bajo. Pero esa tendencia no siempre fue obvia ".
En algunos casos, dijo, la radiación combinada más alta y las temperaturas más altas hicieron que un material fuera más robusto en lugar de menos, y ayudaría a los investigadores a saber eso antes de hacer un producto físico.
"Nuestro método de aprendizaje profundo sobre el desarrollo de mapas de propiedades de estructura podría abrir un nuevo marco para comprender el comportamiento de los materiales en 2D, descubrir sus características comunes y anomalías no intuitivas, y eventualmente diseñarlos mejor para aplicaciones personalizadas", dijo Shahsavari.
Fuente de la historia :
Materiales proporcionado por Universidad de Rice . Original escrito por Mike Williams. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :