Desenredar la confusión estructural a través del aprendizaje automático: predicción de la estructura y polimorfismo...

Área de la Ciencia:

• Ciencias de los materiales
• Ciencias de los materiales computacionales
• La cristalografía

Sus antecedentes:

• La predicción de las estructuras cristalinas de nuevos materiales es crucial para el descubrimiento de materiales.
• Los compuestos ternários ecuatómicos exhiben diversas estructuras cristalinas.
• Los métodos existentes a menudo requieren datos experimentales extensos o simulaciones complejas.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático para predecir estructuras cristalinas ternaras basadas únicamente en elementos constituyentes.
• Investigar la influencia de las propiedades elementales en la preferencia de la estructura.
• Para analizar y predecir el polimorfismo en compuestos ternários.

Principales métodos:

• Selección de características de resolución de clúster (CR-FS) y clasificación de máquinas vectoriales de soporte (SVM) utilizados.
• Entrenado el modelo en 1037 compuestos ternales y validado en 519 compuestos adicionales.
• Se identificaron 113 variables elementales influyentes (por ejemplo, tamaño, electronegatividad, electrones de valencia, número de grupo).

Principales resultados:

• Se logró una alta precisión de predicción (96,9%) para las estructuras cristalinas basadas en la composición.
• Se ha demostrado la capacidad del modelo para diferenciar polimorfos con una alta confianza (> 0,7).
• Se identificó una región "confusa" (0,3-0,7) donde pueden coexistir múltiples polimorfos.

Conclusiones:

• El método de aprendizaje automático desarrollado predice de manera confiable las estructuras cristalinas de compuestos ternários equiatómicos.
• El modelo predice con precisión y distingue entre polimorfos, revelando regiones de incertidumbre estructural.
• La síntesis experimental de TiFeP validó la coexistencia prevista de las estructuras de tipo TiNiSi y ZrNiAl.