Los científicos del Laboratorio NOMAD del Instituto Fritz Haber de la Sociedad Max Planck propusieron recientemente un flujo de trabajo que puede acelerar drásticamente la búsqueda de nuevos materiales con propiedades mejoradas. Demostraron el poder del enfoque al identificar más de 50 materiales fuertemente aislantes térmicos. Estos pueden ayudar a aliviar la crisis energética en curso, al permitir elementos termoeléctricos más eficientes, es decir, dispositivos capaces de convertir el calor desperdiciado en voltaje eléctrico útil.
Descubrir materiales termoeléctricos nuevos y confiables es fundamental para aprovechar más del 40 % de la energía que se emite como calor residual a nivel mundial y ayudar a mitigar los crecientes desafíos del cambio climático. Una forma de aumentar la eficiencia termoeléctrica de un material es reducir su conductividad térmica, κ, y mantener así el gradiente de temperatura necesario para generar electricidad. Sin embargo, el costo asociado con el estudio de estas propiedades limitó las investigaciones computacionales y experimentales de κ a solo un pequeño subconjunto de todos los materiales posibles. Recientemente, un equipo del Laboratorio NOMAD se esforzó por reducir estos costos mediante la creación de un flujo de trabajo guiado por IA que filtra jerárquicamente los materiales para encontrar de manera eficiente nuevos y mejores aislantes térmicos.
El trabajo publicado recientemente en npj Computational Materials propone una nueva forma de utilizar la Inteligencia Artificial (IA) para guiar la búsqueda de alto rendimiento de nuevos materiales. En lugar de utilizar la intuición física/química para descartar materiales en función de tendencias generales, conocidas o sospechosas, el nuevo procedimiento aprende las condiciones que conducen al resultado deseado con métodos avanzados de IA. Este trabajo tiene el potencial de cuantificar la búsqueda de nuevos materiales energéticos y aumentar la eficiencia de estas búsquedas.
El primer paso para diseñar estos flujos de trabajo es utilizar métodos estadísticos y de IA avanzados para aproximar la propiedad objetivo de interés, κ en este caso. Con este fin, se utiliza el enfoque del operador de cribado y dispersión de independencia segura (SISSO). SISSO es un método de aprendizaje automático que revela las dependencias fundamentales entre las propiedades de diferentes materiales a partir de un conjunto de miles de millones de expresiones posibles. En comparación con otros modelos de IA de « caja negra », este enfoque es igualmente preciso, pero además produce relaciones analíticas entre las diferentes propiedades de los materiales. Esto nos permite aplicar métricas de importancia de características modernas para arrojar luz sobre qué propiedades de los materiales son las más importantes. En el caso de κ, estos son el volumen molar, Vm; el límite de alta temperatura Temperatura de Debye, θD,∞; y el factor métrico de anarmonicidad, σA.
Además, el análisis estadístico descrito permite destilar la regla empírica de las características individuales que permiten estimar a priori el potencial del material para ser un aislante térmico. Por lo tanto, trabajar con las tres características principales más importantes permitió crear flujos de trabajo computacionales guiados por IA para descubrir nuevos aislantes térmicos. Estos flujos de trabajo utilizan programas de estructura electrónica de última generación para calcular cada una de las características seleccionadas. Durante cada paso, se filtraron los materiales que probablemente no sean buenos aislantes en función de sus valores de Vm, θD, ∞ y σA. Con esto, es posible reducir el número de cálculos necesarios para encontrar materiales aislantes térmicos en más de dos órdenes de magnitud. En este trabajo esto se demuestra identificando 96 aislantes térmicos (κ < 10 Wm-1K-1) en un conjunto inicial de 732 materiales. La confiabilidad de este enfoque se verificó aún más mediante el cálculo de κ para 4 de estas predicciones con la mayor precisión posible. Además de facilitar la búsqueda activa de nuevos materiales termoeléctricos, los formalismos propuestos por el equipo de NOMAD también se pueden aplicar para resolver otros problemas urgentes de ciencia de materiales.