Aprendizaje automático dirigido a la búsqueda de materiales ultraincompresibles y superduros

Área de la Ciencia:

• Ciencias de los materiales
• Ciencias de los materiales computacionales
• Química del estado sólido

Sus antecedentes:

• El desarrollo de materiales con propiedades mecánicas excepcionales, particularmente de alta dureza, es un desafío importante.
• El modelado predictivo puede acelerar el descubrimiento de nuevos materiales inorgánicos funcionales.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático para predecir módulos elásticos como un proxy para la dureza del material.
• Identificar y sintetizar nuevos compuestos inorgánicos ultraincompresibles y superduros.

Principales métodos:

• Se empleó un modelo de regresión de máquina vectorial de soporte para examinar 118.287 compuestos de bases de datos de estructura cristalina.
• El carburo de tungsteno de renio ternario y el borocarburo de tungsteno de molibdeno cuaternario se sintetizaron a presión ambiente.
• Se realizaron mediciones de celdas de yunque de diamante a alta presión y pruebas de microhardura de Vickers.

Principales resultados:

• El aprendizaje automático predijo con precisión el módulo de masa de los compuestos sintetizados con menos del 10% de error.
• Ambos compuestos sintetizados exhibieron un comportamiento ultraincompresible y una dureza extremadamente alta (> 40 GPa).
• Los materiales identificados superaron el umbral superduro a bajas cargas de hendidura.

Conclusiones:

• El aprendizaje automático es una estrategia efectiva para acelerar el descubrimiento de materiales inorgánicos funcionales avanzados.
• El modelo desarrollado identificó con éxito nuevos compuestos súper duros con propiedades mecánicas excepcionales.
• Este trabajo demuestra un enfoque poderoso para el diseño y la síntesis de materiales específicos.