Tras la pista de los átomos de hidrógeno desaparecidos
Un nuevo método podría permitir una simulación más precisa de los materiales para diversas aplicaciones en el futuro
Anuncios
Para simular las propiedades de los materiales, los investigadores utilizan las estructuras cristalinas de los materiales almacenadas en bases de datos. Sin embargo, a menudo estas carecen de las posiciones de los átomos de hidrógeno. Investigadores del Instituto Paul Scherrer (PSI) han entrenado ahora un sistema de inteligencia artificial para reconstruir estas posiciones de forma muy rápida y eficiente. Su nuevo método, denominado XtalPaint, permitirá simular materiales con mayor precisión para una variedad de aplicaciones: desde el almacenamiento eficiente de hidrógeno hasta nuevas baterías.
La inteligencia artificial se utiliza a menudo para generar imágenes. En la investigación, se emplean modelos de IA especializados para aplicaciones científicas, por ejemplo, para predecir las posiciones de los átomos en los materiales. El modelo MatterGen, desarrollado por Microsoft, puede generar estructuras cristalinas complejas a partir de unos pocos datos —qué átomos deben estar presentes y en qué proporciones— y los investigadores pueden utilizar estas estructuras para realizar simulaciones por ordenador de nuevos materiales.
Ahora, un equipo científico dirigido por Giovanni Pizzi, del Centro de Computación Científica, Teoría y Datos del PSI, junto con investigadores de las universidades de Parma y Módena en Italia, ha encontrado una forma de utilizar la IA para resolver un problema práctico en la ciencia de los materiales: localizar posiciones atómicas que faltan en estructuras por lo demás conocidas. Tal y como informan en la revista npj Computational Materials, los científicos de materiales utilizaron un enfoque que se emplea normalmente en el procesamiento de imágenes o la visión artificial, es decir, el reconocimiento y la interpretación de información visual mediante IA.
Esto permite simular por primera vez, o de forma significativamente mejor que antes, materiales que se conocen experimentalmente pero que hasta ahora eran teóricamente inaccesibles. De este modo, los investigadores contribuyen a la exploración de nuevos materiales con propiedades especiales, por ejemplo, para el almacenamiento de hidrógeno o, potencialmente, para el desarrollo de nuevos superconductores.
Átomos de hidrógeno «invisibles»
«Para nuestras simulaciones de las propiedades de los materiales, nos basamos en la información de las bases de datos que nos indican dónde se encuentra cada átomo en una estructura cristalina», afirma Timo Reents, doctorando del grupo de Giovanni Pizzi. Sin embargo, el elemento hidrógeno plantea un reto. A menudo forma parte de la red cristalina, pero es difícil de detectar experimentalmente utilizando métodos tradicionales que miden la disposición de los átomos mediante difracción de rayos X. En consecuencia, las posiciones de los átomos de hidrógeno en las representaciones cristalinas suelen ser inexactas, o bien no aparecen en absoluto en las visualizaciones.
El conocimiento preciso de las posiciones atómicas es esencial para las simulaciones por ordenador que utilizan los investigadores para predecir propiedades específicas de los materiales, como la conductividad eléctrica o térmica. «Si falta la información sobre los átomos de hidrógeno, eso es un problema», afirma Giovanni Pizzi. «A menudo, no podemos utilizar varios miles de materiales potencialmente interesantes para nuestras simulaciones precisamente por esta razón». Aquí es donde la IA debería poder ayudar.
Cuando falta una pata en una foto de un perro
En la visión artificial se utilizan los denominados modelos de difusión. Cuando estos se emplean para completar la información que falta en una imagen, se denomina «inpainting». Por ejemplo, se puede añadir una pata que estaba oculta en una foto de un perro.
Los primeros enfoques de la visión artificial añadían primero «ruido» a toda la imagen del perro, superponiéndola intencionadamente con información de imagen aleatoria, para luego reconstruir la foto con las cuatro patas en un segundo paso. Ahora, sin embargo, es práctica habitual variar la intensidad del ruido en función del área de la imagen: el ruido se añadiría de forma más intensa solo a las regiones desconocidas donde debería estar la pata.
Aunque esto ya está consolidado en el campo de la visión artificial, antes no estaba disponible para la reconstrucción de posiciones atómicas. Ahora, el equipo de Giovanni Pizzi ha desarrollado un modelo de código abierto adaptado llamado XtalPaint, basado en MatterGen de Microsoft. «Esto combina las ventajas de la visión artificial moderna y la reconstrucción de cristales: el ruido se añade solo a las posiciones desconocidas dentro del cristal; las posiciones conocidas permanecen prácticamente inalteradas durante el proceso», explica Timo Reents.
Esto ofrece una mayor eficiencia, al igual que ocurre en los enfoques modernos de relleno de imágenes en la visión artificial: «Con la reconstrucción paso a paso, XtalPaint puede orientarse hacia el cristal existente desde el principio», afirma Reents. «Esto aumenta la tasa de éxito y también ahorra potencia de cálculo».
También aplicable al litio y al sodio
Para probar su método, los investigadores eliminaron las posiciones de los átomos de hidrógeno de estructuras cristalinas conocidas y luego utilizaron XtalPaint para reconstruirlas. En el 87 % de los casos, encontraron las posiciones conocidas, y en otro 10 %, configuraciones que eran incluso más estables energéticamente. «En general, esto supone una tasa de éxito del 97 % para XtalPaint», afirma Reents.
«Ahora podemos utilizar nuestro método, por ejemplo, para completar estructuras en bases de datos con las posiciones de hidrógeno que faltan», afirma Pizzi. Además, él y sus colegas ya han detectado errores en las bases de datos que pueden surgir durante la transferencia de datos desde las publicaciones científicas originales. Por otra parte, pueden aplicar el método no solo a los átomos de hidrógeno, sino también, por ejemplo, al litio y al sodio, dos elementos importantes para el desarrollo de nuevas baterías.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
