El uso conjugado de abordajes típicos de la era del big data puede acelerar la búsqueda de nuevos materiales y reducir el carácter empírico de ese proceso, signado históricamente por una mezcla de ensayo y error, accidentes, observación metódica y, algo no menos importante, suerte. Científicos de diversos campos de la física, de la química y de la ingeniería de materiales esperan acortar el camino que los conduzca a hallar compuestos aún no encontrados o sintetizados recurriendo al empleo de computadoras cada vez más potentes, algoritmos de inteligencia artificial y acceso a bancos de datos en aumento sobre las propiedades y estructuras de materiales teóricos, nunca elaborados en laboratorios o bien, reales y ya obtenidos experimentalmente. Por ahora, las promesas son más alentadoras que los hallazgos, pero este abordaje aún está dando sus primeros pasos, tanto en el exterior como en Brasil.
El equipo de trabajo del ingeniero de materiales Edgar Dutra Zanotto, de la Universidad Federal de São Carlos (UFSCar), registra avances en la búsqueda de nuevos compuestos y estructuras vítreas gracias al empleo de herramientas de inteligencia artificial. En un artículo que publicaron al final del mes de enero en la revista científica Acta Materialia, Zanotto y sus colaboradores cotejaron la eficiencia de seis algoritmos para correlacionar la composición química de 43.240 vitrocerámicos escogidos de una base de datos, con una propiedad fundamental de ese tipo de materiales: la temperatura de transición vítrea (Tg). Ese parámetro indica la temperatura por encima de la cual un material amorfo abandona su fase rígida y quebradiza y pasa a exhibir un estado más viscoso y maleable. “Comparamos la eficiencia de los algoritmos para prever la Tg de compuestos conocidos y pudimos determinar que dos de ellos se destacaban”, explica Zanotto, coordinador del Centro de Investigación, Capacitación e Innovación en Vidrios (CeRTEV, por sus siglas en inglés), uno de los Centros de Investigación, Innovación y Difusión (Cepid) financiados por la FAPESP. El margen de error para las proyecciones que proporcionó el mejor algoritmo, el Random Forest, arrojó un máximo de un 7,5%, un desempeño excelente, similar al nivel de incertidumbre de las medidas obtenidas en forma experimental.
Ese no fue el primer trabajo del equipo con ese perfil. Hace dos años, Dutra Zanotto, el posdoctorando Daniel Cassar y el profesor André Carlos Ponce de León, del Instituto de Ciencias Matemáticas y de Computación de la Universidad de São Paulo (ICM-USP) habían testeado la performance de un solo algoritmo para prever propiedades de vidrios. El próximo trabajo de ellos medirá la eficiencia de los tres mejores algoritmos conocidos en la tarea de correlacionar la composición química de esos vitrocerámicos con otras cinco propiedades importantes para aplicaciones y para el desarrollo de vidrios, tales como su índice de refracción y el coeficiente de expansión térmica. “Cuando los algoritmos se tornen tan precisos como para prever con más exactitud las características de un material meramente a partir de su composición, ya no tendremos que gastar tanto tiempo y recursos para testear las innumerables posibilidades de descubrir nuevos vidrios en laboratorio”, comenta Zanotto. Las composiciones que no sean prometedoras no se tendrán en cuenta y los investigadores podrán concentrar sus esfuerzos en aquellos compuestos con mayores posibilidades de éxito.
Yazdani Lab/ Universidad de Princeton
Una vista de la superficie de un aislante topológico a través de un microscopio de efecto túnelYazdani Lab/ Universidad de PrincetonA partir del abordaje de la ciencia de datos y de las técnicas de inteligencia artificial, puede invertirse la forma de trabajar en la ciencia de materiales. Históricamente, en primera instancia los científicos descubren por casualidad, o luego de incesantes prospecciones o modificaciones, un compuesto o una estructura inédita y, a continuación, procuran medir sus propiedades y verificar si puede servir para algo. Hoy en día, el acceso a grandes bancos de datos de materiales permite seleccionar las propiedades deseadas y averiguar qué tipos de compuestos ofrecen esas características (vea el cuadro). Eso fue lo que hicieron investigadores de la Universidad Federal del ABC (UFABC) y del Laboratorio Nacional de nanotecnología (LNNano), del Centro Nacional de Investigación en Energía y Materiales (CNPEM). Los científicos consultaron en la base de datos Automatic – Flow for Materials Discovery (Aflow) en búsqueda de compuestos tridimensionales que presentaban una propiedad cuántica asociada a un tipo de configuración del espín de los electrones, el efecto denominado Zeeman.
Hasta ahora, ese efecto, que altera los niveles de energía de los átomos, solo pudo verificarse en forma experimental en materiales bidimensionales, conformados por una única capa de átomos similares al grafeno, cuando se los somete a un campo magnético. “De una lista con aproximadamente 59 mil compuestos de Aflow, detectamos 20 que presentaban el efecto en la forma que deseábamos, sin necesidad de un campo magnético”, comenta el físico Gustavo Dalpian, de la UFABC, uno de los autores de un artículo publicado en el periódico Quantum Materials en agosto del año pasado. Esa particularidad le confiere teóricamente una ventaja a esos materiales para la confección de dispositivos de espintrónica, esto es, la electrónica basada en los estados del espín (y no en la carga del electrón). “Dentro de un dispositivo elaborado con estos materiales tridimensionales que exhiben el efecto Zeeman no sería necesario incluir un imán adicional para generar el campo magnético. Eso haría que la construcción de ese dispositivo fuera menos compleja”, explica Dalpian.
Solliance
Los nuevos compuestos para células solares constituyen una de las estructuras más investigadas en los bancos de datosSolliancePara el físico Adalberto Fazzio, director del LNNano y autor de trabajos sobre el empleo de prospección de datos en la búsqueda de nuevos materiales, los abordajes computacionales son útiles e importantes, pero deben perfeccionarse y encararse en forma realista. “Aún debe enseñárseles a los algoritmos a detectar en los bancos de datos las expresiones matemáticas que realmente representan los principios físicos”, analiza Fazzio. Uno de los inconvenientes de la utilización de modelos y herramientas computacionales es que se obtienen resultados irreales, que parecen ser un atajo hacia nuevos descubrimientos, pero pueden transformarse en un callejón sin salida. A veces, una simulación señala como prometedores a compuestos que no son estables o que no pueden fabricarse. En ese caso, solo el conocimiento científico incorporado a algoritmos de búsqueda cada vez mejores o compilados por la literatura científica, saca al investigador del camino equivocado.
A juzgar por el origen geográfico de los mayores bancos de datos disponibles actualmente, la carrera por nuevos materiales la encabezan estadounidenses y europeos. “La producción china todavía no es tan visible”, dice el físico Osvaldo Novais de Oliveira Junior, del Instituto de Física de São Carlos (IFSC) de la USP. “Ellos publican en chino o fabrican materiales sobre los cuales no publican nada”. El investigador dice que las técnicas de inteligencia de máquinas son buenas para clasificar –ya sean imágenes, palabras o propiedades de materiales–, pero no para interpretar. Junto a Dalpian, Oliveira Junior editó una recopilación de artículos sobre el empleo de técnicas de big data en la búsqueda de nuevos materiales en julio de 2019 para la revista ACS Applied Materials & Interfaces.
Si ese campo produce realmente los resultados esperados, las trayectorias como la del médico escocés Alexander Flemming (1881-1955), quien en 1928 descubrió de manera fortuita la penicilina, serán cada vez más raras. Al regreso de pasar dos semanas de vacaciones, Flemming, que tenía fama de descuidado, notó que se había formado un moho blanquecino sobre un medio de cultivo. Ese hongo evitaba la proliferación de las bacterias que habían contaminado inadvertidamente la placa de Petri. Así fue como surgió el primer antibiótico natural.
Las iniciativas pueden ser de carácter amplio o bien especializadas en la búsqueda de determinados tipos de materiales
The Materials Project
El proyecto, que fue lanzado en 2011 por el Departamento de Energía de Estados Unidos, está administrado por el Laboratorio Nacional Lawrence Berkeley, en el estado de California. Su base de datos cuenta con información química, estructural y las propiedades de 124 mil compuestos inorgánicos y 530 mil materiales nanoporosos. También pone a disposición herramientas que permiten simular las características de los materiales antes de testearlas en laboratorio.
Automatic-Flow for Materials Discovery (Aflow)
Es un consorcio integrado por 16 universidades (la mayoría de Estados Unidos y algunas de Europa y Asia), una iniciativa que recaba información sobre 3,2 millones de materiales compuestos, para los cuales calculó más de 500 millones de propiedades cuánticas, térmicas, estructurales y elásticas, entre otras. El Departamento de Energía estadounidense también avala el proyecto, que posibilita la fabricación virtual de materiales empleando tecnologías de barrido a gran escala (high-throughput).
The Novel Materials Discovery (NOMAD)
Repositorio europeo controlado por la Sociedad Max Planck, de Alemania, creado hacia finales de 2015, que abarca ocho centros de investigaciones de materiales y cuatro de supercomputación. Dispone de herramientas virtuales para evaluar y comparar las propiedades, la estructura y otros parámetros de millones de compuestos. Posee una enciclopedia online de materiales, con datos sobre algunos de los materiales disponibles en su repositorio.
HybriD3
Banco de datos especializado em cristales semiconductores híbridos, conformados a nivel molecular o nanométrico por un compuesto orgánico y otro inorgánico. Está controlado por instituciones superiores de enseñanza e investigación de Estados Unidos, bajo el liderazgo de la Universidad Duke. Su objetivo principal es la búsqueda de materiales que presenten lo que se denomina estructura cristalina del tipo perovskita, similar a la del titanato de calcio (CaTiO3), que podrían ser una alternativa barata y eficiente para la fabricación de células solares.
Computational 2D Materials Database (C2DB)
Reúne información sobre 4 mil materiales bidimensionales, tales como su estructura, elasticidad, propiedades termodinámicas, electrónicas, ópticas y magnéticas. Esos materiales están formados por una única capa de átomos. El más conocido de ellos es el grafeno, cuya famosa estructura hexagonal tiene el espesor de un átomo de carbono. El banco de datos es administrado por científicos de la Universidad Técnica de Dinamarca.
TopoMat
Un proyecto de la Escuela Politécnica Federal de Lausana, en Suiza, con la mira puesta en una de las clases más exóticas de materiales, los aislantes topológicos, que conducen la electricidad en su superficie, empero, tal como su nombre lo indica, se comportan como aislantes en su interior. El proyecto arrancó en 2012 y su banco de datos contabiliza informaciones sobre más de 13.500 materiales. En teoría, los aislantes topológicos podrían llevar a la producción de nuevos tipos de dispositivos electrónicos.
Proyecto
CeRTEV – Centro de Investigación, Capacitación e Innovación en Vidrios (nº 13/07793-6); Modalidad Programa Centros de Investigación, Innovación y Difusión (Cepid); Investigador responsable Edgar Dutra Zanotto (UFSCar); Inversión R$ 34.665.855,27
Artículos científicos
ALCOBAÇA. E. et al. Explainable machine learning algorithms to predict glass transition temperature. Acta Materialia. 30 ene. 2020.
ACOSTA, C. M. et al. Zeeman-type spin splitting in nonmagnetic three-dimensional compounds. Quantum Materials. 7 ago. 2019.
