Investigación basada en el aprendizaje automático de los efectos de envasado atómico: presiones químicas en los...

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Física del estado sólido

Sus antecedentes:

• Las fases intermetálicas exhiben arreglos atómicos complejos impulsados por fuerzas desconocidas, lo que dificulta el diseño de nuevos materiales.
• El análisis de la presión química (CP) de la teoría funcional de la densidad (DFT) visualiza las tensiones de empaque atómico, pero es computacionalmente intensivo.

Objetivo del estudio:

• Desarrollar una aplicación basada en el aprendizaje automático (ML) del enfoque de la presión química (CP).
• Para superar las limitaciones computacionales de los métodos tradicionales DFT-CP para analizar la complejidad intermetálica.

Principales métodos:

• Desarrolló un modelo ML-CP entrenado en datos DFT-CP de la Base de Datos de Reactividad Intermetálica.
• Se ha validado el enfoque ML-CP comparándolo con el DFT-CP para varios sistemas intermetálicos.
• Aplicado ML-CP para analizar la estructura compleja de Mg2Al3.

Principales resultados:

• El modelo ML-CP reproduce con precisión los resultados de DFT-CP, reduciendo significativamente el costo computacional.
• El análisis de Mg2Al3 reveló que su estructura compleja se origina en reglas simples de ensamblaje para los poliedros de Frank-Kasper.
• El modelo ML-CP se puede implementar fácilmente a través de una interfaz web o una herramienta de línea de comandos.

Conclusiones:

• El enfoque ML-CP proporciona una herramienta eficiente y accesible para explorar la complejidad intermetálica.
• Este método facilita la comprensión de las fuerzas impulsoras en la formación intermetálica, ayudando en el diseño de nuevos materiales.
• El modelo ML-CP abre nuevas vías para investigar una amplia gama de sistemas intermetálicos.