Descubrimiento eficiente de materiales energéticos mejorados mediante un nuevo flujo de trabajo guiado por IA
Pueden ayudar a paliar la actual crisis energética
Científicos del Laboratorio NOMAD del Instituto Fritz Haber de la Sociedad Max Planck han propuesto recientemente un flujo de trabajo que puede acelerar drásticamente la búsqueda de nuevos materiales con propiedades mejoradas. Demostraron la potencia del método identificando más de 50 materiales fuertemente aislantes térmicamente. Éstos pueden ayudar a paliar la actual crisis energética, al permitir la creación de elementos termoeléctricos más eficientes, es decir, dispositivos capaces de convertir en tensión eléctrica útil un calor que de otro modo se desperdiciaría.
Figura 1 Los índices de Sobol Si y SiT, así como los valores SHAP del núcleo para cada característica del modelo. Estos valores son métricas de la importancia de las características, donde 0 significa que la característica no tiene ningún efecto y un valor mayor significa que la característica es más importante.
© Thomas Purcell
Figura 2 a) Esquema del flujo de trabajo de alto rendimiento utilizado para buscar nuevos aislantes térmicos. b) Diagrama de dispersión que muestra la conductividad térmica prevista para 227 aislantes eléctricos termodinámicamente estables a partir de un modelo SISSO y de regresión kernel-ridge (KRR). El color corresponde a cuál de las pruebas descritas en la parte a) falló.
© Thomas Purcell
Descubrir materiales termoeléctricos nuevos y fiables es primordial para aprovechar más del 40% de la energía que se desprende como calor residual en todo el mundo y ayudar a mitigar los crecientes problemas del cambio climático. Una forma de aumentar la eficiencia termoeléctrica de un material es reducir su conductividad térmica, κ, y mantener así el gradiente de temperatura necesario para generar electricidad. Sin embargo, el coste asociado al estudio de estas propiedades limitaba las investigaciones computacionales y experimentales de κ a sólo un minúsculo subconjunto de todos los materiales posibles. Un equipo del Laboratorio NOMAD se ha esforzado recientemente por reducir estos costes creando un flujo de trabajo guiado por IA que criba jerárquicamente los materiales para encontrar de forma eficiente nuevos y mejores aislantes térmicos.
El trabajo publicado recientemente en npj Computational Materials propone una nueva forma de utilizar la Inteligencia Artificial (IA) para guiar la búsqueda de alto rendimiento de nuevos materiales. En lugar de utilizar la intuición físico-química para descartar materiales basándose en tendencias generales, conocidas o sospechadas, el nuevo procedimiento aprende las condiciones que conducen al resultado deseado con métodos avanzados de IA. Este trabajo tiene el potencial de cuantificar la búsqueda de nuevos materiales energéticos y aumentar la eficacia de estas búsquedas.
El primer paso en el diseño de estos flujos de trabajo es utilizar métodos estadísticos y de IA avanzados para aproximar la propiedad objetivo de interés, κ en este caso. Para ello, se utiliza el enfoque del operador de cribado y sparsificación de independencia segura (SISSO). SISSO es un método de aprendizaje automático que revela las dependencias fundamentales entre las distintas propiedades de los materiales a partir de un conjunto de miles de millones de expresiones posibles. Comparado con otros modelos de IA de "caja negra", este enfoque es igual de preciso, pero además arroja relaciones analíticas entre distintas propiedades de los materiales. Esto nos permite aplicar modernas métricas de importancia de las características para arrojar luz sobre qué propiedades de los materiales son las más importantes. En el caso de κ , se trata del volumen molar, Vm; la temperatura de Debye en el límite de alta temperatura, θD,∞; y el factor métrico de anarmonicidad, σA, como se ilustra en la figura 1.
Además, el análisis estadístico descrito permite destilar reglas empíricas para las características individuales que permiten estimar a priori el potencial del material para ser un aislante térmico. Trabajar con las tres características primarias más importantes ha permitido crear flujos de trabajo computacionales guiados por IA para descubrir nuevos aislantes térmicos, como se muestra en la Figura 2. Estos flujos de trabajo utilizan la tecnología más avanzada en el campo de los aislantes térmicos. Estos flujos de trabajo utilizan programas de estructura electrónica de última generación para calcular cada una de las características seleccionadas. En cada paso se seleccionan los materiales que probablemente no sean buenos aislantes en función de sus valores de Vm, θD,∞ y σA. Con esto, es posible reducir el número de cálculos necesarios para encontrar materiales térmicamente aislantes en más de dos órdenes de magnitud. En este trabajo, esto se demuestra identificando 96 aislantes térmicos(κ < 10 Wm-1K-1) en un conjunto inicial de 732 materiales. La fiabilidad de este enfoque se verificó además calculando κ para 4 de estas predicciones con la mayor precisión posible.
Además de facilitar la búsqueda activa de nuevos materiales termoeléctricos, los formalismos propuestos por el equipo de NOMAD también pueden aplicarse para resolver otros problemas urgentes de la ciencia de los materiales.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
