Un enfoque simplificado para determinar las propiedades térmicas de aleaciones y sólidos cristalinos | Noticias del MIT



En un ensayo de septiembre de 2020 en Energía de la naturaleza, tres científicos plantearon varios "grandes desafíos", uno de los cuales era encontrar materiales adecuados para los dispositivos de almacenamiento de energía térmica que pudieran usarse junto con los sistemas de energía solar. Afortunadamente, Mingda Li, profesor asistente Norman C. Rasmussen de ciencia e ingeniería nuclear en el MIT, que dirige el grupo de materia cuántica del departamento, ya estuvo de acuerdo. De hecho, Li y nueve colaboradores (del MIT, el Laboratorio Nacional Lawrence Berkeley y el Laboratorio Nacional Argonne) estaban desarrollando una nueva metodología, que involucraba un nuevo enfoque del aprendizaje automático, que haría que la identificación de materiales con propiedades térmicas favorables sea más rápida y sencilla. almacenamiento de energía y otros usos.

Los resultados de su investigación aparecen este mes en un artículo para Ciencia avanzada. "Este es un enfoque revolucionario que promete acelerar el diseño de nuevos materiales funcionales", comenta el físico Jaime Fernandez-Baca, miembro del personal senior del Laboratorio Nacional Oak Ridge.

Un desafío central en la ciencia de los materiales, escriben Li y sus coautores, es "establecer relaciones estructura-propiedad": comprender las características que tendría un material con una estructura atómica determinada. El equipo de Li se centró, en particular, en utilizar el conocimiento estructural para predecir la "densidad de estados de fonones", que tiene un impacto crítico en las propiedades térmicas.

Para entender este término, es mejor comenzar con la palabra phonon. "Un material cristalino está formado por átomos dispuestos en una estructura de celosía", dice Nina Andrejevic, estudiante de doctorado en ciencia e ingeniería de materiales. “Podemos pensar en estos átomos como esferas conectadas por resortes, y la energía térmica hace vibrar los resortes. Y estas vibraciones, que solo ocurren en frecuencias o energías discretas (cuantificadas), son lo que llamamos fonones.

La densidad del estado de fonones es simplemente el número de modos vibratorios, o fonones, que se encuentran en una frecuencia o rango de energía determinados. Conociendo la densidad de estados de fonones, se puede determinar la capacidad de transporte de calor de un material, así como su conductividad térmica, que se relaciona con la facilidad con la que el calor pasa a través de un material, e incluso la temperatura de transición superconductora en un superconductor. "Para el almacenamiento de energía térmica, desea un material con un calor específico alto, lo que significa que puede absorber calor sin un gran aumento de temperatura", dice Li. "También desea un material con baja conductividad térmica para que retenga su calor por más tiempo . "

Sin embargo, la densidad de los estados fonónicos es un término difícil de medir experimentalmente o de calcular teóricamente. "Para una medición como esta, hay que ir a un laboratorio nacional para usar un instrumento grande, de unos 10 metros de largo, para obtener la resolución energética que necesita", dice Li. "Esto se debe a que la señal que estamos buscando porque es muy débil ".

"Y si desea calcular la densidad de fonones de los estados, la forma más precisa de hacerlo es con la Teoría de la perturbación de la densidad funcional (DFPT)", señala Zhantao Chen, estudiante de doctorado en ingeniería mecánica. "Pero estos cálculos se escalan al cuarto orden del número de átomos en el bloque de construcción básico del cristal, lo que podría llevar días de tiempo de cálculo en un grupo de procesadores". En el caso de las aleaciones, que contienen dos o más elementos, los cálculos se vuelven mucho más difíciles y pueden llevar semanas o más.

El nuevo método, dice Li, podría reducir esas demandas computacionales a segundos en una PC. En lugar de intentar calcular la densidad de fonones de los estados a partir de los primeros principios, que es claramente una tarea laboriosa, su equipo utilizó un enfoque de red neuronal, utilizando algoritmos de inteligencia artificial que permiten que la computadora aprenda con el ejemplo. La idea era presentar a la red neuronal suficientes datos sobre la estructura atómica de un material y su densidad de estados fonónicos asociados para que la red pudiera discernir los patrones clave que conectan los dos. Después de "entrenar" de esta manera, se espera que la red haga predicciones confiables de la densidad de estado para una sustancia con una estructura atómica determinada.

Las predicciones son difíciles, dice Li, porque la densidad de estados de fonones no puede describirse con un solo número sino con una curva (análoga al espectro de luz emitida a diferentes longitudes de onda por un objeto luminoso). “Otro desafío es que solo tenemos datos confiables (densidad de estados) para alrededor de 1.500 materiales. Cuando probamos el aprendizaje automático por primera vez, el conjunto de datos era demasiado pequeño para admitir predicciones precisas. "

Luego, su grupo se asoció con la física de Lawrence Berkeley, Tess Smidt '12, co-inventora de las llamadas redes neuronales euclidianas. "El entrenamiento de una red neuronal convencional normalmente requiere conjuntos de datos que contengan cientos de miles a millones de ejemplos", dice Smidt. Una parte importante de esta demanda de datos proviene del hecho de que una red neuronal convencional no entiende que un modelo 3D y una versión rotada del mismo modelo están vinculados y de hecho representan lo mismo. Antes de que pueda reconocer modelos 3D, en este caso, la disposición geométrica precisa de los átomos en un cristal, una red neuronal convencional primero debe ver el mismo modelo en cientos de orientaciones diferentes.

“Debido a que las redes neuronales euclidianas entienden la geometría y reconocen que los patrones rotativos siempre 'significan' lo mismo, pueden extraer la máxima cantidad de información de una sola muestra”, agrega Smidt. Como resultado, una red neuronal euclidiana entrenada en 1.500 ejemplos puede superar a una red neuronal convencional entrenada en 500 veces más datos.

Utilizando la red neuronal euclidiana, el equipo predijo la densidad de estados de fonones para 4.346 estructuras cristalinas. Luego seleccionaron los materiales con las 20 capacidades térmicas más altas, comparando los valores de densidad de estado predichos con los obtenidos mediante cálculos largos de DFPT. El trato estuvo muy cerca.

El enfoque se puede utilizar para seleccionar materiales de almacenamiento de energía térmica prometedores, en línea con el 'gran desafío' antes mencionado, dice Li. "Pero también podría facilitar enormemente el diseño de aleaciones, ya que ahora podemos determinar la densidad de estados para las aleaciones con la misma facilidad. en cuanto a cristales. Esto, a su vez, ofrece una gran expansión de posibles materiales que podríamos considerar para almacenamiento térmico, así como muchas otras aplicaciones. "

De hecho, algunas aplicaciones ya han comenzado. El código de computadora del grupo MIT se ha instalado en máquinas en Oak Ridge, lo que permite a los investigadores predecir la densidad de fonones de los estados de un material dado en función de su estructura atómica.

Andrejevic señala además que las redes neuronales euclidianas tienen un potencial aún mayor que aún no se ha aprovechado. “Pueden ayudarnos a determinar propiedades importantes de los materiales además de la densidad de fonones de los estados. Por tanto, esto podría abrir el campo considerablemente. "

Esta investigación fue financiada por la Oficina de Ciencias del Departamento de Energía de EE. UU., La Fundación Nacional de Ciencias y el Laboratorio Nacional Lawrence Berkeley.

Deja un comentario