La aceleración de los descubrimientos científicos de la IA continúa: el mes pasado, AlphaFold de DeepMind resolvió un gran desafío en biología, y ahora un equipo internacional de investigación de IA se ha centrado en la ciencia de los materiales.

La aceleración de los descubrimientos científicos de la IA continúa: el mes pasado , AlphaFold de DeepMind resolvió un gran desafío en biología, y ahora un equipo internacional de investigación de IA se ha centrado en la ciencia de los materiales.

En el artículo Origins of Structural and Electronic Transitions in Disordered Silicon, publicado esta semana en la prestigiosa revista científica Nature, investigadores de la Universidad de Oxford, el Laboratorio de Investigación Naval de EE. UU., la Universidad de Cambridge, la École Polytechnique Fédérale de Lausanne en Suiza y la Universidad de Ohio demuestran cómo los modelos de aprendizaje automático atomístico (ML) entrenados en cálculos mecánicos cuánticos precisos pueden ayudar a describir líquido (amorfo y amorfo) transiciones amorfas para un sistema de 100.000 átomos, prediciendo la estructura, la estabilidad y las propiedades electrónicas.

El silicio líquido es un conductor eléctrico metálico, mientras que el silicio sólido es un semiconductor en condiciones ambientales, lo que lo convierte en un elemento crucial en tecnologías que van desde chips de computadora hasta paneles solares. A diferencia de la mayoría de los otros elementos, la densidad del silicio aumenta al fundirse. Esta inesperada inversión de las densidades de sólidos y líquidos se ha relacionado con un fenómeno llamado poliamorfismo, en el que una sustancia puede existir en diferentes fases amorfas que tienen estructuras y propiedades distintas.

Aunque el silicio amorfo se ha estudiado extensamente, ha faltado una comprensión mecanicista detallada de las transiciones estructurales en el silicio desordenado, debido en gran parte a las limitaciones de las técnicas experimentales y computacionales existentes.

Los investigadores utilizaron modelos ML para producir simulaciones de la estructura y enlace químico de sólidos y líquidos desordenados, revelando la estructura y la energía de enlace de un sistema de 100.000 átomos de silicio a medida que se enfriaban desde el estado líquido y se comprimían a presiones de hasta 200.000 atmósferas. . Este enorme aumento en la cantidad de átomos modelados produce una alta precisión y, de lo contrario, requeriría una supercomputadora para procesar.

Las simulaciones revelan una secuencia de transformación de tres pasos para el silicio amorfo bajo una presión externa creciente. Primero, se encuentra que las regiones amorfas poliamorfas de baja y alta densidad coexisten, en lugar de aparecer secuencialmente. Luego observan un colapso estructural en una fase amorfa de muy alta densidad (VHDA) distinta. Finalmente, sus simulaciones indican la naturaleza transitoria de la fase VHDA: nuclea rápidamente los cristalitos, lo que finalmente conduce a la formación de una estructura policristalina.

Los investigadores dicen que estos resultados arrojan luz sobre los estados líquido y amorfo del silicio y, en un contexto más amplio, ejemplifican un enfoque impulsado por el aprendizaje automático para el modelado de materiales predictivos.

El artículo Orígenes de las transiciones estructurales y electrónicas en el silicio desordenado está en el sitio web de Nature.

Fuente: synced