Métodos de aprendizaje profundo para propiedades electrónicas de materiales 2D

Área de la Ciencia:

• Ciencia de Materiales
• Física Computacional
• Inteligencia Artificial

Sus antecedentes:

• Los materiales 2D poseen propiedades electrónicas únicas y desafíos computacionales.
• La comprensión y predicción de estas estructuras electrónicas es crucial para el descubrimiento de materiales.

Objetivo del estudio:

• Revisar el impacto del aprendizaje profundo (DL) en la comprensión y predicción de estructuras electrónicas en materiales 2D.
• Destacar los enfoques de DL y su éxito en la aceleración de la investigación en ciencia de materiales.

Principales métodos:

• Modelos de aprendizaje profundo conscientes de la física
• IA generativa para el diseño de materiales
• Estrategias de diseño inverso
• Análisis de fenómenos de transporte cuántico

Principales resultados:

• El DL mejora significativamente las predicciones de estructuras de bandas y densidad de estados.
• El DL acelera el descubrimiento de fenómenos cuánticos emergentes, topología y superconductividad.
• La exploración autónoma de materiales se ve facilitada por los métodos de DL.

Conclusiones:

• El aprendizaje profundo ofrece herramientas poderosas para avanzar en la investigación de materiales 2D.
• El trabajo futuro requiere la estandarización de datos y marcos integrados teóricos, de DL y experimentales.