por
Los investigadores han descubierto una nueva forma de realizar un «diseño inverso general» con una precisión razonablemente alta. Este avance allana el camino para un mayor desarrollo de un campo floreciente y de rápida evolución que eventualmente podría permitir el uso del aprendizaje automático para identificar con precisión los materiales en función de un conjunto deseado de propiedades definidas por la ciencia. Esto podría ser revolucionario para la ciencia de los materiales y tener amplios beneficios industriales y casos de uso.
El trabajo fue realizado por investigadores del Grupo de Investigación Interdisciplinario de Sistemas Electrónicos de Baja Energía (LEES) de la Alianza Singapur-MIT para Investigación y Tecnología (SMART), la empresa de investigación del MIT en Singapur, así como colaboradores del MIT, la Universidad Nacional de Singapur. y Nanyang. Universidad Tecnológica.
Un desafío importante en la ciencia e investigación de materiales ha sido la capacidad deseada durante mucho tiempo para crear un material o compuesto con un conjunto específico de características y propiedades para adaptarse a una aplicación o caso de uso particular. Para resolver este problema, los investigadores han utilizado tradicionalmente la selección de materiales a través de bases de datos de propiedades de materiales, lo que ha llevado al descubrimiento de un número limitado de compuestos con propiedades funcionales definidas por el usuario. Sin embargo, incluso con computación de alto rendimiento, el costo computacional de los cálculos necesarios es alto, lo que impide una búsqueda exhaustiva del espacio teórico de los materiales. Por lo tanto, existe una necesidad apremiante de un método alternativo que pueda hacer que este proceso de «prospección de materiales» sea más completo y eficiente.
Introduzca el diseño inverso. Como sugiere su nombre, el concepto de diseño inverso invierte el proceso de diseño convencional, lo que permite que los nuevos materiales y compuestos sean «ingeniería inversa» simplemente ingresando un conjunto de propiedades y características deseadas, y luego usando un algoritmo de optimización para generar una solución prevista. El reciente advenimiento del diseño inverso ha despertado un interés particular en el campo de la fotónica, que recurre cada vez más a tecnologías no convencionales para sortear los desafíos inherentes al diseño de dispositivos cada vez más pequeños pero más potentes. Los métodos actuales implican el diseño tradicional, en el que un diseñador concibe una forma o estructura fija como punto de partida. Este proceso requiere mucha mano de obra y excluye una amplia gama de otros dispositivos con diferentes formas o estructuras, algunos de los cuales pueden tener más potencial que las formas o estructuras tradicionales.
El diseño inverso elimina este problema y, en cambio, permite la fabricación de dispositivos con la forma, estructura, composición química u otras características o propiedades más óptimas o eficientes. Aunque el diseño inverso no es nuevo, los investigadores de SMART han llevado la tecnología un paso más allá al descubrir un método viable de diseño inverso «general», en el que la capacidad de diseño inverso no se limita a un conjunto particular de elementos o estructura cristalina, sino es capaz de acceder a una diversidad de elementos y estructuras cristalinas.
Este avance se describe en un artículo titulado «Una representación cristalográfica invertible para el diseño inverso general de cristales inorgánicos con propiedades específicas», publicado recientemente en la revista Materia. En la investigación, el equipo demuestra un marco para el diseño inverso general (composición y estructura variables) de cristales inorgánicos, denominado FTCP (Propiedades de los cristales transformados de Fourier), que permite el diseño inverso de cristales con propiedades especificadas por el usuario mediante muestreo, decodificación y posprocesamiento. Aún más prometedor, los investigadores muestran que FTCP puede diseñar nuevos materiales cristalinos que son diferentes de las estructuras conocidas, un avance significativo en la exploración de esta tecnología naciente con implicaciones potencialmente revolucionarias para la ciencia de los materiales y las aplicaciones industriales.
El algoritmo desarrollado por los investigadores de SMART entrena en más de 50 000 compuestos en una base de datos de materiales, luego aprende y generaliza las complejas relaciones entre la química, la estructura y las propiedades para predecir nuevos compuestos o materiales que poseen características específicas para el usuario. El algoritmo predice materiales con energías de formación objetivo, brechas de banda y factores de potencia termoeléctrica, y valida estas predicciones con simulaciones a través de la teoría funcional de la densidad, demostrando a su vez un grado razonable de precisión.
“Este es un desarrollo increíblemente emocionante para el campo de la investigación de materiales. Los investigadores de ciencia de materiales ahora tienen una herramienta eficiente y completa que les permite descubrir y crear nuevos compuestos y materiales simplemente ingresando las características deseadas”, dice Tonio Buonassisi, investigador principal de LEES y profesor de Ingeniería Mecánica en LEES.MIT.
S. Isaac P. Tian, estudiante graduado de NUS y coautor del artículo, agrega: “En la próxima etapa de este viaje, un paso importante será refinar el algoritmo para poder predecir mejor la estabilidad y la capacidad de fabricación. . Estos son desafíos emocionantes en los que el equipo SMART está trabajando actualmente con colaboradores en Singapur y en todo el mundo. »
Zekun Ren, autor principal y becario postdoctoral en LEES, dice: “El objetivo de encontrar formas más eficientes y efectivas de crear materiales o compuestos con propiedades definidas por el usuario ha sido durante mucho tiempo una preocupación central de los investigadores en ciencia de materiales. Nuestro trabajo demuestra una solución viable que va más allá del diseño inverso especializado, lo que permite a los investigadores explorar materiales potenciales de composición y estructura variables y, por lo tanto, posibilita la creación de una gama mucho más amplia de compuestos. Este es un ejemplo pionero de diseño inverso general exitoso, y esperamos aprovechar este éxito en futuros esfuerzos de investigación.
La investigación la lleva a cabo SMART y cuenta con el apoyo de la Fundación Nacional de Investigación (NRF) de Singapur en el marco de su programa Campus para la Excelencia en la Investigación y la Empresa Tecnológica (CREATE).
El grupo de investigación interdisciplinario LEES de SMART crea nuevas tecnologías de circuitos integrados que dan como resultado una mayor funcionalidad, un menor consumo de energía y un rendimiento superior para los sistemas electrónicos. Estos circuitos integrados del futuro tendrán un impacto en las aplicaciones de comunicaciones inalámbricas, electrónica de potencia, iluminación LED y pantallas. LEES cuenta con un equipo de investigación integrado verticalmente con experiencia en materiales, dispositivos y circuitos, formado por varias personas con experiencia profesional en la industria de los semiconductores. Esto garantiza que la investigación esté dirigida a satisfacer las necesidades de la industria de los semiconductores, tanto en Singapur como a nivel mundial.
SMART fue creado por el MIT y la NRF en 2007. SMART es la primera entidad de CREATE desarrollada por la NRF. SMART sirve como el centro intelectual y de innovación para las interacciones de investigación entre el MIT y Singapur, realizando investigaciones de vanguardia en áreas de interés para ambas partes. SMART actualmente incluye un Centro de Innovación y cinco grupos de investigación interdisciplinarios: Resistencia a los antimicrobianos, Análisis crítico para la fabricación de medicamentos personalizados, Tecnologías disruptivas y sostenibles para la agricultura de precisión, Movilidad urbana futura y LEES.
