{"id":355075,"date":"2020-10-26T16:21:31","date_gmt":"2020-10-26T19:21:31","guid":{"rendered":"https:\/\/revistapesquisa.fapesp.br\/?p=355075"},"modified":"2020-10-27T15:57:04","modified_gmt":"2020-10-27T18:57:04","slug":"big-data-de-materiales","status":"publish","type":"post","link":"https:\/\/revistapesquisa.fapesp.br\/es\/big-data-de-materiales\/","title":{"rendered":"Big data<\/em> de materiales"},"content":{"rendered":"

El uso conjugado de abordajes t\u00edpicos de la era del big data<\/em> puede acelerar la b\u00fasqueda de nuevos materiales y reducir el car\u00e1cter emp\u00edrico de ese proceso, signado hist\u00f3ricamente por una mezcla de ensayo y error, accidentes, observaci\u00f3n met\u00f3dica y, algo no menos importante, suerte. Cient\u00edficos de diversos campos de la f\u00edsica, de la qu\u00edmica y de la ingenier\u00eda de materiales esperan acortar el camino que los conduzca a hallar compuestos a\u00fan no encontrados o sintetizados recurriendo al empleo de computadoras cada vez m\u00e1s potentes, algoritmos de inteligencia artificial y acceso a bancos de datos en aumento sobre las propiedades y estructuras de materiales te\u00f3ricos, nunca elaborados en laboratorios o bien, reales y ya obtenidos experimentalmente. Por ahora, las promesas son m\u00e1s alentadoras que los hallazgos, pero este abordaje a\u00fan est\u00e1 dando sus primeros pasos, tanto en el exterior como en Brasil.<\/p>\n

El equipo de trabajo del ingeniero de materiales Edgar Dutra Zanotto, de la Universidad Federal de S\u00e3o Carlos (UFSCar), registra avances en la b\u00fasqueda de nuevos compuestos y estructuras v\u00edtreas gracias al empleo de herramientas de inteligencia artificial. En un art\u00edculo que publicaron al final del mes de enero en la revista cient\u00edfica Acta Materialia<\/em>, Zanotto y sus colaboradores cotejaron la eficiencia de seis algoritmos para correlacionar la composici\u00f3n qu\u00edmica de 43.240 vitrocer\u00e1micos escogidos de una base de datos, con una propiedad fundamental de ese tipo de materiales: la temperatura de transici\u00f3n v\u00edtrea (Tg<\/sub>). Ese par\u00e1metro indica la temperatura por encima de la cual un material amorfo abandona su fase r\u00edgida y quebradiza y pasa a exhibir un estado m\u00e1s viscoso y maleable. \u201cComparamos la eficiencia de los algoritmos para prever la Tg<\/sub> de compuestos conocidos y pudimos determinar que dos de ellos se destacaban\u201d, explica Zanotto, coordinador del Centro de Investigaci\u00f3n, Capacitaci\u00f3n e Innovaci\u00f3n en Vidrios (CeRTEV, por sus siglas en ingl\u00e9s), uno de los Centros de Investigaci\u00f3n, Innovaci\u00f3n y Difusi\u00f3n (Cepid) financiados por la FAPESP. El margen de error para las proyecciones que proporcion\u00f3 el mejor algoritmo, el Random Forest, arroj\u00f3 un m\u00e1ximo de un 7,5%, un desempe\u00f1o excelente, similar al nivel de incertidumbre de las medidas obtenidas en forma experimental.<\/p>\n

Ese no fue el primer trabajo del equipo con ese perfil. Hace dos a\u00f1os, Dutra Zanotto, el posdoctorando Daniel Cassar y el profesor Andr\u00e9 Carlos Ponce de Le\u00f3n, del Instituto de Ciencias Matem\u00e1ticas y de Computaci\u00f3n de la Universidad de S\u00e3o Paulo (ICM-USP) hab\u00edan testeado la performance<\/em> de un solo algoritmo para prever propiedades de vidrios. El pr\u00f3ximo trabajo de ellos medir\u00e1 la eficiencia de los tres mejores algoritmos conocidos en la tarea de correlacionar la composici\u00f3n qu\u00edmica de esos vitrocer\u00e1micos con otras cinco propiedades importantes para aplicaciones y para el desarrollo de vidrios, tales como su \u00edndice de refracci\u00f3n y el coeficiente de expansi\u00f3n t\u00e9rmica. \u201cCuando los algoritmos se tornen tan precisos como para prever con m\u00e1s exactitud las caracter\u00edsticas de un material meramente a partir de su composici\u00f3n, ya no tendremos que gastar tanto tiempo y recursos para testear las innumerables posibilidades de descubrir nuevos vidrios en laboratorio\u201d, comenta Zanotto. Las composiciones que no sean prometedoras no se tendr\u00e1n en cuenta y los investigadores podr\u00e1n concentrar sus esfuerzos en aquellos compuestos con mayores posibilidades de \u00e9xito.<\/p>\n

\"\"

Yazdani Lab\/ Universidad de Princeton <\/span><\/a> Una vista de la superficie de un aislante topol\u00f3gico a trav\u00e9s de un microscopio de efecto t\u00fanelYazdani Lab\/ Universidad de Princeton <\/span><\/p><\/div>\n

A partir del abordaje de la ciencia de datos y de las t\u00e9cnicas de inteligencia artificial, puede invertirse la forma de trabajar en la ciencia de materiales. Hist\u00f3ricamente, en primera instancia los cient\u00edficos descubren por casualidad, o luego de incesantes prospecciones o modificaciones, un compuesto o una estructura in\u00e9dita y, a continuaci\u00f3n, procuran medir sus propiedades y verificar si puede servir para algo. Hoy en d\u00eda, el acceso a grandes bancos de datos de materiales permite seleccionar las propiedades deseadas y averiguar qu\u00e9 tipos de compuestos ofrecen esas caracter\u00edsticas (vea el cuadro<\/a><\/em>). Eso fue lo que hicieron investigadores de la Universidad Federal del ABC (UFABC) y del Laboratorio Nacional de nanotecnolog\u00eda (LNNano), del Centro Nacional de Investigaci\u00f3n en Energ\u00eda y Materiales (CNPEM). Los cient\u00edficos consultaron en la base de datos Automatic \u2013 Flow for Materials Discovery (Aflow) en b\u00fasqueda de compuestos tridimensionales que presentaban una propiedad cu\u00e1ntica asociada a un tipo de configuraci\u00f3n del esp\u00edn de los electrones, el efecto denominado Zeeman.<\/p>\n

Hasta ahora, ese efecto, que altera los niveles de energ\u00eda de los \u00e1tomos, solo pudo verificarse en forma experimental en materiales bidimensionales, conformados por una \u00fanica capa de \u00e1tomos similares al grafeno, cuando se los somete a un campo magn\u00e9tico. \u201cDe una lista con aproximadamente 59 mil compuestos de Aflow, detectamos 20 que presentaban el efecto en la forma que dese\u00e1bamos, sin necesidad de un campo magn\u00e9tico\u201d, comenta el f\u00edsico Gustavo Dalpian, de la UFABC, uno de los autores de un art\u00edculo publicado en el peri\u00f3dico Quantum Materials<\/em> en agosto del a\u00f1o pasado. Esa particularidad le confiere te\u00f3ricamente una ventaja a esos materiales para la confecci\u00f3n de dispositivos de espintr\u00f3nica, esto es, la electr\u00f3nica basada en los estados del esp\u00edn (y no en la carga del electr\u00f3n). \u201cDentro de un dispositivo elaborado con estos materiales tridimensionales que exhiben el efecto Zeeman no ser\u00eda necesario incluir un im\u00e1n adicional para generar el campo magn\u00e9tico. Eso har\u00eda que la construcci\u00f3n de ese dispositivo fuera menos compleja\u201d, explica Dalpian.<\/p>\n

\"\"

Solliance<\/span><\/a> Los nuevos compuestos para c\u00e9lulas solares constituyen una de las estructuras m\u00e1s investigadas en los bancos de datosSolliance<\/span><\/p><\/div>\n

Para el f\u00edsico Adalberto Fazzio, director del LNNano y autor de trabajos sobre el empleo de prospecci\u00f3n de datos en la b\u00fasqueda de nuevos materiales, los abordajes computacionales son \u00fatiles e importantes, pero deben perfeccionarse y encararse en forma realista. \u201cA\u00fan debe ense\u00f1\u00e1rseles a los algoritmos a detectar en los bancos de datos las expresiones matem\u00e1ticas que realmente representan los principios f\u00edsicos\u201d, analiza Fazzio. Uno de los inconvenientes de la utilizaci\u00f3n de modelos y herramientas computacionales es que se obtienen resultados irreales, que parecen ser un atajo hacia nuevos descubrimientos, pero pueden transformarse en un callej\u00f3n sin salida. A veces, una simulaci\u00f3n se\u00f1ala como prometedores a compuestos que no son estables o que no pueden fabricarse. En ese caso, solo el conocimiento cient\u00edfico incorporado a algoritmos de b\u00fasqueda cada vez mejores o compilados por la literatura cient\u00edfica, saca al investigador del camino equivocado.<\/p>\n

A juzgar por el origen geogr\u00e1fico de los mayores bancos de datos disponibles actualmente, la carrera por nuevos materiales la encabezan estadounidenses y europeos. \u201cLa producci\u00f3n china todav\u00eda no es tan visible\u201d, dice el f\u00edsico Osvaldo Novais de Oliveira Junior, del Instituto de F\u00edsica de S\u00e3o Carlos (IFSC) de la USP. \u201cEllos publican en chino o fabrican materiales sobre los cuales no publican nada\u201d. El investigador dice que las t\u00e9cnicas de inteligencia de m\u00e1quinas son buenas para clasificar \u2013ya sean im\u00e1genes, palabras o propiedades de materiales\u2013, pero no para interpretar. Junto a Dalpian, Oliveira Junior edit\u00f3 una recopilaci\u00f3n de art\u00edculos sobre el empleo de t\u00e9cnicas de big data<\/em> en la b\u00fasqueda de nuevos materiales en julio de 2019 para la revista ACS Applied Materials & Interfaces<\/em>.<\/p>\n

<\/a>Si ese campo produce realmente los resultados esperados, las trayectorias como la del m\u00e9dico escoc\u00e9s Alexander Flemming (1881-1955), quien en 1928 descubri\u00f3 de manera fortuita la penicilina, ser\u00e1n cada vez m\u00e1s raras. Al regreso de pasar dos semanas de vacaciones, Flemming, que ten\u00eda fama de descuidado, not\u00f3 que se hab\u00eda formado un moho blanquecino sobre un medio de cultivo. Ese hongo evitaba la proliferaci\u00f3n de las bacterias que hab\u00edan contaminado inadvertidamente la placa de Petri. As\u00ed fue como surgi\u00f3 el primer antibi\u00f3tico natural.<\/p>\n

Seis bancos de datos<\/strong>
\nLas iniciativas pueden ser de car\u00e1cter amplio o bien especializadas en la b\u00fasqueda de determinados tipos de materiales<\/em><\/p>\n

The Materials Project<\/strong>
\nEl proyecto, que fue lanzado en 2011 por el Departamento de Energ\u00eda de Estados Unidos, est\u00e1 administrado por el Laboratorio Nacional Lawrence Berkeley, en el estado de California. Su base de datos cuenta con informaci\u00f3n qu\u00edmica, estructural y las propiedades de 124 mil compuestos inorg\u00e1nicos y 530 mil materiales nanoporosos. Tambi\u00e9n pone a disposici\u00f3n herramientas que permiten simular las caracter\u00edsticas de los materiales antes de testearlas en laboratorio.<\/p>\n

Automatic-Flow for Materials Discovery (Aflow)<\/strong>
\nEs un consorcio integrado por 16 universidades (la mayor\u00eda de Estados Unidos y algunas de Europa y Asia), una iniciativa que recaba informaci\u00f3n sobre 3,2 millones de materiales compuestos, para los cuales calcul\u00f3 m\u00e1s de 500 millones de propiedades cu\u00e1nticas, t\u00e9rmicas, estructurales y el\u00e1sticas, entre otras. El Departamento de Energ\u00eda estadounidense tambi\u00e9n avala el proyecto, que posibilita la fabricaci\u00f3n virtual de materiales empleando tecnolog\u00edas de barrido a gran escala (high-throughput<\/em>).<\/p>\n

The Novel Materials Discovery (NOMAD) <\/strong>
\nRepositorio 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 supercomputaci\u00f3n. Dispone de herramientas virtuales para evaluar y comparar las propiedades, la estructura y otros par\u00e1metros de millones de compuestos. Posee una enciclopedia online<\/em> de materiales, con datos sobre algunos de los materiales disponibles en su repositorio.<\/p>\n

HybriD3<\/strong>
\nBanco de datos especializado em cristales semiconductores h\u00edbridos, conformados a nivel molecular o nanom\u00e9trico por un compuesto org\u00e1nico y otro inorg\u00e1nico. Est\u00e1 controlado por instituciones superiores de ense\u00f1anza e investigaci\u00f3n de Estados Unidos, bajo el liderazgo de la Universidad Duke. Su objetivo principal es la b\u00fasqueda de materiales que presenten lo que se denomina estructura cristalina del tipo perovskita, similar a la del titanato de calcio (CaTiO3<\/sub>), que podr\u00edan ser una alternativa barata y eficiente para la fabricaci\u00f3n de c\u00e9lulas solares.<\/p>\n

Computational 2D Materials Database (C2DB)<\/strong>
\nRe\u00fane informaci\u00f3n sobre 4 mil materiales bidimensionales, tales como su estructura, elasticidad, propiedades termodin\u00e1micas, electr\u00f3nicas, \u00f3pticas y magn\u00e9ticas. Esos materiales est\u00e1n formados por una \u00fanica capa de \u00e1tomos. El m\u00e1s conocido de ellos es el grafeno, cuya famosa estructura hexagonal tiene el espesor de un \u00e1tomo de carbono. El banco de datos es administrado por cient\u00edficos de la Universidad T\u00e9cnica de Dinamarca.<\/p>\n

TopoMat<\/strong>
\nUn proyecto de la Escuela Polit\u00e9cnica Federal de Lausana, en Suiza, con la mira puesta en una de las clases m\u00e1s ex\u00f3ticas de materiales, los aislantes topol\u00f3gicos, que conducen la electricidad en su superficie, empero, tal como su nombre lo indica, se comportan como aislantes en su interior. El proyecto arranc\u00f3 en 2012 y su banco de datos contabiliza informaciones sobre m\u00e1s de 13.500 materiales. En teor\u00eda, los aislantes topol\u00f3gicos podr\u00edan llevar a la producci\u00f3n de nuevos tipos de dispositivos electr\u00f3nicos.<\/div>\n

Proyecto<\/strong>
\nCeRTEV \u2013 Centro de Investigaci\u00f3n, Capacitaci\u00f3n e Innovaci\u00f3n en Vidrios (n\u00ba\u200913\/07793-6<\/a>); Modalidad<\/strong> Programa Centros de Investigaci\u00f3n, Innovaci\u00f3n y Difusi\u00f3n (Cepid); Investigador responsable<\/strong> Edgar Dutra Zanotto (UFSCar); Inversi\u00f3n<\/strong> R$\u200934.665.855,27<\/p>\n

Art\u00edculos cient\u00edficos<\/strong>
\nALCOBA\u00c7A. E. et al<\/em>. Explainable machine learning algorithms to predict glass transition temperature<\/a>. Acta Materialia<\/strong>. 30 ene. 2020.
\nACOSTA, C. M. et al<\/em>. Zeeman-type spin splitting in nonmagnetic three-dimensional compounds<\/a>. Quantum Materials<\/strong>. 7 ago. 2019.<\/p>\n","protected":false},"excerpt":{"rendered":"Enormes bancos de datos sobre compuestos y t\u00e9cnicas de prospecci\u00f3n digital procuran acelerar el hallazgo de nuevas estructuras","protected":false},"author":13,"featured_media":356790,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[181],"tags":[304,297],"coauthors":[101],"class_list":["post-355075","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-es","tag-fisica-es","tag-ingenieria"],"acf":[],"_links":{"self":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/355075","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/users\/13"}],"replies":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/comments?post=355075"}],"version-history":[{"count":4,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/355075\/revisions"}],"predecessor-version":[{"id":358032,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/355075\/revisions\/358032"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media\/356790"}],"wp:attachment":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media?parent=355075"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/categories?post=355075"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/tags?post=355075"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/coauthors?post=355075"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}