Video Experimental Relacionado
Updated: May 4, 2026
08:03
Scalable Nanohelices for Predictive Studies and Enhanced 3D Visualization
Published on: November 12, 2014
10.5K
Acelerar el descubrimiento de materiales computacionales con el aprendizaje automático y la computación en la nube de
Chi Chen1, Dan Thien Nguyen2, Shannon J Lee2
1Azure Quantum, Microsoft, One Microsoft Way, Redmond, Washington 98052, United States.
Journal of the American Chemical Society
|July 9, 2024
Resumen
Este estudio acelera el descubrimiento de materiales mediante el aprendizaje automático (ML) y la computación de alto rendimiento (HPC). Los investigadores identificaron nuevos electrolitos de estado sólido para las baterías, validando las predicciones computacionales a través de la síntesis experimental.
Área de la Ciencia:
- Ciencias de los materiales
- Química computacional
- La electroquímica
Sus antecedentes:
- El descubrimiento de materiales computacionales de alto rendimiento promete una innovación acelerada, pero se enfrenta a cuellos de botella debido a las limitaciones de los recursos computacionales.
- La validación experimental de materiales descubiertos por computación, especialmente para aplicaciones de productos, sigue siendo limitada.
Objetivo del estudio:
- Demostrar una vía viable para el descubrimiento de materiales computacionales a gran escala y la validación experimental.
- Identificar nuevos materiales de electrolitos en estado sólido para aplicaciones avanzadas de baterías.
Principales métodos:
- Modelos combinados de aprendizaje automático de última generación con simulaciones tradicionales basadas en la física.
- Utilizó recursos de computación de alto rendimiento en la nube (HPC) para seleccionar más de 32 millones de materiales candidatos.
- Sintetizó y caracterizó experimentalmente materiales candidatos prometedores, centrándose en electrolitos en estado sólido.
Principales resultados:
- Predijo aproximadamente medio millón de materiales potencialmente estables de más de 32 millones de candidatos.
- Se identificaron 18 candidatos prometedores a nuevos electrolitos en estado sólido para aplicaciones de baterías.
- Sintetizó y validó las series Na Li3- YCl6 (0≤ x≤ 3) como electrolitos sólidos potenciales.
Conclusiones:
- Las metodologías avanzadas de ML y HPC pueden superar los cuellos de botella tradicionales en el descubrimiento de materiales.
- El enfoque computacional y experimental integrado acelera significativamente la identificación y validación de materiales funcionales.
- Este trabajo allana el camino para una nueva era de descubrimiento de materiales eficientes e innovadores, en particular para soluciones de almacenamiento de energía.
