Predicción de la estructura cristalina a través del aprendizaje profundo

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• La cristalografía

Sus antecedentes:

• Los repositorios de estructuras cristalinas contienen grandes cantidades de datos cristalográficos.
• Analizar estos datos manualmente es un desafío debido a su escala y complejidad.
• El aprendizaje automático ofrece potencial para el análisis automatizado de la información cristalográfica.

Objetivo del estudio:

• Aplicar redes neuronales profundas (DNN) para el análisis de datos cristalográficos.
• Entrenar un modelo DNN para distinguir elementos químicos basados en su entorno cristalográfico.
• Para predecir la probabilidad de formar nuevos compuestos utilizando plantillas estructurales conocidas.

Principales métodos:

• Utilizó huellas atómicas multiperspectivas como entrada para el modelo DNN.
• Entrenado la red neuronal en un conjunto de datos de aproximadamente 50.000 estructuras de cristal.
• Se aplicó el modelo entrenado para predecir la formación de nuevos compuestos basados en plantillas estructurales.

Principales resultados:

• El modelo DNN distinguió con éxito los elementos químicos por su topología de entorno cristalográfico.
• Identificó sitios atómicos estructuralmente similares, revelando tendencias relacionadas con la tabla periódica.
• El modelo predijo composiciones elementales conocidas con alta precisión en datos no vistos, con ~ 30% encontrados en las 10 principales predicciones.

Conclusiones:

• El enfoque DNN desarrollado analiza eficazmente los datos cristalográficos.
• Este método puede guiar los esfuerzos sintéticos en el descubrimiento de nuevos materiales, particularmente sistemas complejos de varios elementos.
• Los hallazgos destacan el poder del aprendizaje automático en el descubrimiento de materiales.