{"id":458533,"date":"2022-11-21T10:55:26","date_gmt":"2022-11-21T13:55:26","guid":{"rendered":"https:\/\/revistapesquisa.fapesp.br\/?p=458533"},"modified":"2022-11-21T10:55:26","modified_gmt":"2022-11-21T13:55:26","slug":"inteligencia-artificial-aplicada-a-la-busqueda-de-materiales","status":"publish","type":"post","link":"https:\/\/revistapesquisa.fapesp.br\/es\/inteligencia-artificial-aplicada-a-la-busqueda-de-materiales\/","title":{"rendered":"Inteligencia artificial aplicada a la b\u00fasqueda de materiales"},"content":{"rendered":"

El grafeno, el primero de los materiales denominados bidimensionales (2D), formados por una sola capa de \u00e1tomos, obtenido en laboratorio, fue \u201celaborado\u201d inicialmente de manera trivial en 2004. Los f\u00edsicos Andre Geim y Konstantin Novoselov, de la Universidad de Manchester, en el Reino Unido, obtuvieron este s\u00f3lido cristalino utilizando una cinta adhesiva para exfoliar el grafito. Ambos materiales est\u00e1n compuestos solamente de \u00e1tomos de carbono. Pero la geometr\u00eda de los \u00e1tomos de carbono del grafeno es diferente a la que presenta el grafito, y esta peculiaridad es la que le confiere sus propiedades \u00fanicas. En el grafeno, los mismos forman una sola l\u00e1mina de \u00e1tomos que genera una red con formato hexagonal, similar a un panal de abejas. El grafito est\u00e1 compuesto por varias capas de grafeno, pero separadas unas de otras.<\/p>\n

A partir del descubrimiento experimental del grafeno de esa manera casi banal, los m\u00e9todos de b\u00fasqueda de otros materiales 2D con propiedades singulares se han ido sofisticando. Actualmente, una de las formas m\u00e1s prometedoras de buscar materiales de inter\u00e9s formados exclusivamente por una sola capa de \u00e1tomos, a menudo compuesta por m\u00e1s de un elemento qu\u00edmico, consiste en recurrir a las t\u00e9cnicas de inteligencia artificial, especialmente a lo que se denomina aprendizaje de m\u00e1quinas o autom\u00e1tico. Por intermedio de esta herramienta computacional, los modelos estad\u00edsticos predicen cu\u00e1les deber\u00edan ser las caracter\u00edsticas m\u00e1s probables de un material 2D, ya fabricado experimentalmente o tan solo previsto te\u00f3ricamente.<\/p>\n

Este abordaje tambi\u00e9n permite recorrer el camino inverso. \u201cPodemos utilizar las t\u00e9cnicas del aprendizaje autom\u00e1tico para buscar en las bases de datos qu\u00e9 materiales bidimensionales ofrecen mayores probabilidades de exhibir una o varias propiedades de inter\u00e9s\u201d, comenta el f\u00edsico Gustavo Dalpian, de la Universidad Federal del ABC (UFABC), quien estudia el tema en forma conjunta con Adalberto Fazzio, del Centro Nacional de Investigaciones en Energ\u00eda y Materiales (CNPEM) de Campinas, en el marco de un proyecto financiado por la FAPESP. \u201cEste es un campo de investigaci\u00f3n relativamente reciente, al que se ha denominado inform\u00e1tica de materiales, que nos permite avanzar hacia el big data<\/em> y manejar grandes vol\u00famenes de informaci\u00f3n\u201d.<\/p>\n

Dos estudios recientes del grupo de la UFABC ilustran c\u00f3mo este abordaje puede generar conocimiento sobre los materiales bidimensionales, cuyas dimensiones \u00ednfimas, del orden de los nan\u00f3metros, y sus propiedades singulares podr\u00edan llevar a una miniaturizaci\u00f3n a\u00fan mayor de los dispositivos ya conocidos y a la creaci\u00f3n de otros nuevos. Un art\u00edculo publicado en febrero de este a\u00f1o en la revista ACS Applied Materials & Interfaces<\/em> se\u00f1ala que las t\u00e9cnicas de aprendizaje autom\u00e1tico son bastante eficaces, con un grado de acierto de alrededor del 90 %, para predecir si un material 2D es magn\u00e9tico o no. En otro trabajo, Dalpian y sus colegas emplean una metodolog\u00eda similar para identificar estructuras formadas por una sola capa de \u00e1tomos que tienden a presentar una configuraci\u00f3n espec\u00edfica de esp\u00edn (textura de esp\u00edn), una propiedad cu\u00e1ntica intr\u00ednseca de las part\u00edculas subat\u00f3micas, tal como es el caso de los electrones, asociada al momento angular. Este segundo paper<\/em> sali\u00f3 publicado el 29 de abril en la revista Scientific Data<\/em>.<\/p>\n

Los materiales bidimensionales est\u00e1n formados por una sola capa de \u00e1tomos<\/p><\/blockquote>\n

A los sistemas basados en el aprendizaje autom\u00e1tico se les \u201cense\u00f1a\u201d a reconocer diferentes patrones asociados a una condici\u00f3n o caracter\u00edstica dentro de un gran conjunto de datos. Las muestras que contienen la firma que se busca son separadas y clasificadas de manera distinta a las que no la exhiben. \u201cSe trata de un proceso de descubrimiento del conocimiento\u201d, comenta el f\u00edsico Osvaldo Novais de Oliveira J\u00fanior, del Instituto de F\u00edsica de S\u00e3o Carlos en la Universidad de S\u00e3o Paulo (IFSC-USP), quien no particip\u00f3 en los estudios del equipo de Dalpian. \u201cEl ser humano realiza inferencias a partir de peque\u00f1as cantidades de datos\u201d.<\/p>\n

En el campo de la oncolog\u00eda, por ejemplo, un algoritmo de aprendizaje autom\u00e1tico puede programarse para reconocer las caracter\u00edsticas visuales principales que distinguen un c\u00e1ncer de piel, tales como la forma y tonalidad, de una mancha cut\u00e1nea benigna. Cuando se exponen al sistema im\u00e1genes de lesiones en la piel, este separa las que presentan esas caracter\u00edsticas \u2013que, por lo tanto, es muy probable que correspondan a un tumor\u2013 de otras que no se ajustan a ese perfil.<\/p>\n

Esta misma l\u00f3gica puede aplicarse para la prospecci\u00f3n de mol\u00e9culas o compuestos con caracter\u00edsticas espec\u00edficas. Basta con entrenar al algoritmo de aprendizaje autom\u00e1tico para que reconozca alg\u00fan patr\u00f3n asociado al magnetismo en los materiales 2D, el tema del primer trabajo del grupo de la UFABC, y el sistema est\u00e1 preparado. El magnetismo es una propiedad clave para la fabricaci\u00f3n de dispositivos que almacenan informaci\u00f3n, como los discos r\u00edgidos de una computadora. El empleo de materiales 2D con esta propiedad podr\u00eda conducir a una reducci\u00f3n a\u00fan mayor del tama\u00f1o de los dispositivos.<\/p>\n

\u201cEl problema radica en que no se conoce la firma magn\u00e9tica t\u00edpica de un cristal bidimensional\u201d, comenta el f\u00edsico Carlos Mera, quien realiza una pasant\u00eda posdoctoral en el equipo de Dalpian y es coautor de los dos art\u00edculos. \u201cHace unos cinco a\u00f1os, se pensaba que la geometr\u00eda interna de los materiales 2D generaba inestabilidades que los hac\u00edan incompatibles con el magnetismo\u201d.<\/p>\n

\"\"

Departamento de F\u00edsica \/ Universidad de Basilea<\/span>La ilustraci\u00f3n muestra un sensor cu\u00e1ntico empleado para medir las propiedades magn\u00e9ticas de una capa de un material bidimensional: triyoduro de cromo (CrI3)Departamento de F\u00edsica \/ Universidad de Basilea<\/span><\/p><\/div>\n

En 2016, un grupo coordinado por investigadores del Instituto de Ciencia B\u00e1sica de Se\u00fal, en Corea del Sur, midi\u00f3 el antiferromagnetismo, un tipo de magnetismo, en l\u00e1minas de trisulfuro de n\u00edquel-f\u00f3sforo (NiPS3), un material 2D. Al a\u00f1o siguiente, un equipo de la Universidad de California en Berkeley (EE. UU.), detect\u00f3 ferromagnetismo, otra forma de magnetismo, en cristales bidimensionales de hexatelururo de dicromo-digermanio (Cr2Ge2T6). Desde entonces, se ha constatado magnetismo en otros materiales 2D.<\/p>\n

En vista de esta tendencia, el equipo de la UFABC se dispuso a analizar una gran base de datos de materiales bidimensionales \u2013Computational 2D Materials Database (C2DB)\u2013 administrada por la Universidad T\u00e9cnica de Dinamarca. Cuando se puso en marcha ese estudio, el repositorio contaba con una serie de informaciones sobre alrededor de 3.400 materiales (en la actualidad, la cifra ya llega a los 4.000). El prop\u00f3sito de la b\u00fasqueda era descubrir si era posible que hubiera un conjunto de caracter\u00edsticas que funcionara como un fuerte indicador de magnetismo en los cristales formados por una sola capa de \u00e1tomos. Dicho de otro modo, si entre los materiales 2D exist\u00eda una configuraci\u00f3n t\u00edpica asociada a esa propiedad, algo similar al patr\u00f3n de diagn\u00f3stico del c\u00e1ncer de piel basado en la forma y el color de una mancha cut\u00e1nea.<\/p>\n

La estrategia result\u00f3 exitosa. A partir del an\u00e1lisis de las caracter\u00edsticas de tres par\u00e1metros principales de un material bidimensional, el sistema basado en el aprendizaje autom\u00e1tico pudo predecir, con un 85\u2009% de acierto, si un cristal ten\u00eda altas probabilidades de ser magn\u00e9tico. Este abordaje se revel\u00f3 todav\u00eda m\u00e1s incisivo, con un 96 % de acierto, para estimar cu\u00e1ndo un material no ser\u00eda magn\u00e9tico. Esos par\u00e1metros son la composici\u00f3n qu\u00edmica, la estructura cristalina y la intensidad de lo que se denomina interacci\u00f3n esp\u00edn-\u00f3rbita (una propiedad cu\u00e1ntica).<\/p>\n

En s\u00edntesis, el trabajo indica que los materiales 2D compuestos por \u00e1tomos de un metal de transici\u00f3n (los elementos qu\u00edmicos de los grupos 3 al 12 de la tabla peri\u00f3dica), con estructuras cristalinas de formato hexagonal (como el grafeno), cuadrado o triangular y con acoplamiento esp\u00edn-\u00f3rbita de grado fuerte, tienen altas probabilidades de ser magn\u00e9ticos. Conforme a lo previsto por el sistema de aprendizaje autom\u00e1tico, 478 de los materiales de la base de datos son magn\u00e9ticos, de los cuales 373 presentan ferromagnetismo y 105 antiferromagnetismo.<\/p>\n

\"\"

Zhenqi Hao, 2018 Science Bulletin<\/strong><\/span>Imagen de la estructura hexagonal del material Cr2<\/sub>Ge2<\/sub>Te6<\/sub>Zhenqi Hao, 2018 Science Bulletin<\/strong><\/span><\/p><\/div>\n

En realidad, la informaci\u00f3n sobre la presencia o ausencia de magnetismo de cada material ya constaba en la base de datos C2DB antes de que los investigadores brasile\u00f1os iniciaran su trabajo. Este conocimiento es esencial para calcular el grado de acierto en la b\u00fasqueda de ese par\u00e1metro en los cristales bidimensionales mediante el empleo del aprendizaje autom\u00e1tico para validar este abordaje. \u201cLo que hicimos fue averiguar si hab\u00eda un peque\u00f1o n\u00famero de propiedades que pudieran hacer las veces de filtros y permitieran predecir, con la ayuda de t\u00e9cnicas de macrodatos, la probabilidad de que un determinado material 2D fuera o no magn\u00e9tico\u201d, explica Dalpian. \u201cConseguimos cumplir este prop\u00f3sito e incluso determinar si el material es m\u00e1s proclive a presentar ferromagnetismo o antiferromagnetismo\u201d.<\/p>\n

De este modo, en la b\u00fasqueda de nuevos materiales bidimensionales magn\u00e9ticos, directamente puede descartarse una serie de cristales que, seg\u00fan este abordaje, tienen m\u00ednimas probabilidades de presentar esa propiedad. Los investigadores ahorran as\u00ed tiempo y esfuerzo con compuestos desconocidos que no suelen poseer magnetismo y pueden concentrarse en otros materiales potencialmente m\u00e1s prometedores.<\/p>\n

En el segundo estudio, los investigadores tambi\u00e9n recurrieron a la base de datos C2DB para localizar materiales que presentan un efecto cu\u00e1ntico asociado a la configuraci\u00f3n de los electrones, llamado spin splitting<\/em>. De acuerdo con el estado del esp\u00edn (o momento angular) de los electrones, apuntando arriba o abajo, los \u00e1tomos de un material exhiben diferentes configuraciones que, en algunos casos, pueden alterar sus niveles de energ\u00eda. Existen cuatro variantes conocidas de este efecto: spin splitting<\/em> de tipo Zeeman, Rashba, Dreshelhaus y de orden alto.<\/p>\n

\u201cSeg\u00fan nuestros c\u00e1lculos, 436 de los materiales de la base de datos presentar\u00edan alguna forma de spin splitting<\/em>. Hemos determinado cu\u00e1l ser\u00eda el tipo de efecto m\u00e1s probable que ostenta cada cristal\u201d, dice el ingeniero de materiales Elton Ogoshi, quien cursa su doctorado en la UFABC y es uno de los coautores del trabajo. Te\u00f3ricamente, el control del esp\u00edn de los materiales 2D puede llegar a ser la base de la llamada espintr\u00f3nica, una tecnolog\u00eda de computaci\u00f3n emergente basada en la manipulaci\u00f3n de esta propiedad cu\u00e1ntica para almacenar y procesar la informaci\u00f3n.<\/p>\n

Adem\u00e1s de utilizar algoritmos de aprendizaje autom\u00e1tico, este segundo art\u00edculo del grupo de investigadores tambi\u00e9n incluy\u00f3 el empleo de una t\u00e9cnica estad\u00edstica conocida como inferencia bayesiana. Este \u00faltimo enfoque, ampliamente utilizado en los programas de inteligencia artificial, permite actualizar la probabilidad de cumplimiento de una hip\u00f3tesis a medida que se dispone de mayor evidencia o informaci\u00f3n. \u201cLa inferencia bayesiana es una forma de clasificaci\u00f3n de datos\u201d, comenta Novais de Oliveira J\u00fanior. A partir de ella, siempre es posible elegir la hip\u00f3tesis m\u00e1s probable. La estrategia eleva las posibilidades de acierto, aunque no elimine el error.<\/p>\n

Proyecto
\n<\/strong>Interfaces en materiales. Propiedades electr\u00f3nicas, magn\u00e9ticas, estructurales y de transporte (n\u00ba 17\/02317-2<\/a>); Modalidad<\/strong> Proyecto Tem\u00e1tico; Investigador responsable<\/strong> Adalberto Fazzio (CNPEM); Inversi\u00f3n<\/strong> R$ 7.540.853,49<\/p>\n

Art\u00edculos cient\u00edficos
\n<\/strong>NASCIMENTO, G.M.\u00a0et al<\/em>.\u00a0High-throughput inverse design and Bayesian optimization of functionalities: spin splitting in two-dimensional compounds<\/a>.\u00a0Scientific Data<\/strong>. On-line, 29 abr. 2022.
\nACOSTA, M.A.\u00a0et al<\/em>.\u00a0Machine Learning Study of the Magnetic Ordering in 2D Materials<\/a>.\u00a0<\/em>ACS Applied Materials & Interfaces<\/strong>.\u00a0<\/em>On-line 9 feb. 2022<\/p>\n","protected":false},"excerpt":{"rendered":"El aprendizaje autom\u00e1tico puede acelerar el descubrimiento de cristales bidimensionales similares al grafeno, pero con propiedades espec\u00edficas","protected":false},"author":13,"featured_media":458784,"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],"coauthors":[101],"class_list":["post-458533","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-es","tag-fisica-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/458533","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=458533"}],"version-history":[{"count":3,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/458533\/revisions"}],"predecessor-version":[{"id":458797,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/458533\/revisions\/458797"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media\/458784"}],"wp:attachment":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media?parent=458533"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/categories?post=458533"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/tags?post=458533"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/coauthors?post=458533"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}