.
Cientistas do Laboratório NOMAD do Fritz Haber Institute da Max Planck Society propuseram recentemente um fluxo de trabalho que pode acelerar drasticamente a busca por novos materiais com propriedades aprimoradas. Eles demonstraram o poder da abordagem identificando mais de 50 materiais de forte isolamento térmico. Isso pode ajudar a aliviar a atual crise de energia, permitindo elementos termoelétricos mais eficientes, ou seja, dispositivos capazes de converter o calor desperdiçado em tensão elétrica útil.
Descobrir materiais termoelétricos novos e confiáveis é fundamental para aproveitar mais de 40% da energia emitida como calor residual globalmente e ajudar a mitigar os crescentes desafios das mudanças climáticas. Uma forma de aumentar a eficiência termoelétrica de um material é reduzir sua condutividade térmica, κ, mantendo assim o gradiente de temperatura necessário para gerar eletricidade. No entanto, o custo associado ao estudo dessas propriedades limitou as investigações computacionais e experimentais de κ a apenas um pequeno subconjunto de todos os materiais possíveis. Uma equipe do Laboratório NOMAD recentemente se esforçou para reduzir esses custos, criando um fluxo de trabalho guiado por IA que hierarquicamente seleciona materiais para encontrar novos e melhores isoladores térmicos com eficiência.
O trabalho recentemente publicado em npj Materiais Computacionais propõe uma nova forma de usar a Inteligência Artificial (IA) para orientar a busca de alto rendimento por novos materiais. Em vez de usar a intuição físico-química para filtrar materiais com base em tendências gerais, conhecidas ou suspeitas, o novo procedimento aprende as condições que levam ao resultado desejado com métodos avançados de IA. Este trabalho tem potencial para quantificar a busca por novos materiais energéticos e aumentar a eficiência dessas buscas.
A primeira etapa na criação desses fluxos de trabalho é usar métodos estatísticos e de IA avançados para aproximar a propriedade de interesse de destino, κ nesse caso. Para este fim, a abordagem do operador de seleção e sparsificação de independência segura (SISSO) é usada. SISSO é um método de aprendizado de máquina que revela as dependências fundamentais entre diferentes propriedades de materiais a partir de um conjunto de bilhões de expressões possíveis. Em comparação com outros modelos de IA “caixa-preta”, essa abordagem é igualmente precisa, mas também produz relações analíticas entre diferentes propriedades do material. Isso nos permite aplicar métricas modernas de importância de recursos para esclarecer quais propriedades do material são as mais importantes. No caso de κ, estes são o volume molar, Vm; o limite de alta temperatura Debye Temperature, θD,∞; e o fator métrico de anarmonicidade, σA.
Além disso, a análise estatística descrita permite destilar regras de ouro para os recursos individuais que permitem a priori estimar o potencial do material para ser um isolante térmico. Trabalhar com os três recursos primários mais importantes, portanto, permitiu criar fluxos de trabalho computacionais guiados por IA para descobrir novos isoladores térmicos. Esses fluxos de trabalho usam programas de estrutura eletrônica de última geração para calcular cada um dos recursos selecionados. Durante cada etapa, foram selecionados materiais que provavelmente não seriam bons isolantes com base em seus valores de Vm, θD,∞e σA. Com isso, é possível reduzir em mais de duas ordens de grandeza o número de cálculos necessários para encontrar materiais termicamente isolantes. Neste trabalho, isso é demonstrado pela identificação de 96 isolantes térmicos (κ < 10 Wm-1k-1) em um conjunto inicial de 732 materiais. A confiabilidade desta abordagem foi ainda verificada calculando κ para 4 dessas previsões com a maior precisão possível.
Além de facilitar a busca ativa de novos materiais termoelétricos, os formalismos propostos pela equipe do NOMAD também podem ser aplicados para resolver outros problemas urgentes da ciência dos materiais.
.
