En un artículo publicado en septiembre de 2020 en Nature Energy, tres científicos plantearon varios "grandes retos", uno de los cuales consistía en encontrar materiales adecuados para dispositivos de almacenamiento de energía térmica que pudieran utilizarse junto con sistemas de energía solar. Por suerte, Mingda Li -el profesor adjunto de Ciencia e Ingeniería Nuclear Norman C. Rasmussen del MIT, que dirige el Grupo de Materia Cuántica del departamento- ya estaba pensando en algo parecido. De hecho, Li y nueve colaboradores (del MIT, el Laboratorio Nacional Lawrence Berkeley y el Laboratorio Nacional Argonne) estaban desarrollando una nueva metodología, con un novedoso enfoque de aprendizaje automático, que permitiría identificar más rápida y fácilmente materiales con propiedades favorables para el almacenamiento de energía térmica y otros usos.

Los resultados de su investigación aparecen este mes en un artículo para Advanced Science. "Se trata de un enfoque revolucionario que promete acelerar el diseño de nuevos materiales funcionales", comenta el físico Jaime Fernández-Baca, miembro distinguido del Laboratorio Nacional de Oak Ridge.

Un reto central en la ciencia de los materiales, escriben Li y sus coautores, es "establecer relaciones estructura-propiedad", es decir, averiguar las características que tendría un material con una estructura atómica determinada. El equipo de Li se centró, en particular, en el uso de los conocimientos estructurales para predecir la "densidad de estados de los fonones", que tiene una relación crítica con las propiedades térmicas.

Para entender este término, lo mejor es empezar por la palabra fonón. "Un material cristalino está compuesto por átomos dispuestos en una estructura reticular", explica Nina Andrejevic, estudiante de doctorado en ciencia e ingeniería de materiales. "Podemos pensar en estos átomos como esferas conectadas por muelles, y la energía térmica hace que los muelles vibren. Y esas vibraciones, que sólo se producen a frecuencias o energías discretas [cuantificadas], son lo que llamamos fonones".

La densidad de estados de los fonones es simplemente el número de modos de vibración, o fonones, que se encuentran en un rango de frecuencia o energía determinado. Conociendo la densidad de estados de los fonones, se puede determinar la capacidad de transporte de calor de un material, así como su conductividad térmica, que se relaciona con la facilidad con que el calor pasa a través de un material, e incluso la temperatura de transición superconductora en un superconductor. "Para el almacenamiento de energía térmica, se necesita un material con un calor específico elevado, es decir, que pueda absorber el calor sin que se produzca un aumento brusco de la temperatura", explica Li. "También quieres un material con una baja conductividad térmica para que retenga el calor durante más tiempo".

Sin embargo, la densidad de estados de los fonones es un término difícil de medir experimentalmente o de calcular teóricamente. "Para una medición como ésta, hay que ir a un laboratorio nacional para utilizar un instrumento grande, de unos 10 metros, para obtener la resolución energética que se necesita", dice Li. "Eso es porque la señal que buscamos es muy débil".

"Y si quieres calcular la densidad de estados de los fonones, la forma más precisa de hacerlo se basa en la teoría de perturbaciones del funcional de la densidad (DFPT)", señala Zhantao Chen, estudiante de doctorado de ingeniería mecánica. "Pero esos cálculos escalan con el cuarto orden del número de átomos del bloque de construcción básico del cristal, lo que podría requerir días de tiempo de computación en un clúster de CPU". En el caso de las aleaciones, que contienen dos o más elementos, los cálculos se vuelven mucho más difíciles, pudiendo llevar semanas o incluso más tiempo.

El nuevo método, dice Li, podría reducir esas demandas computacionales a unos pocos segundos en un PC. En lugar de intentar calcular la densidad de estados de los fonones a partir de los primeros principios, lo cual es claramente una tarea laboriosa, su equipo empleó un enfoque de red neuronal, utilizando algoritmos de inteligencia artificial que permiten a un ordenador aprender a partir del ejemplo. La idea era presentar a la red neuronal suficientes datos sobre la estructura atómica de un material y su densidad de estado de fonones asociada para que la red pudiera discernir los patrones clave que conectan a ambos. Una vez "entrenada" de este modo, la red podría hacer predicciones fiables sobre la densidad de estados de una sustancia con una estructura atómica determinada.

Las predicciones son difíciles, explica Li, porque la densidad de estados de los fonones no puede describirse con un solo número, sino con una curva (análoga al espectro de luz que emite un objeto luminoso a diferentes longitudes de onda). "Otro reto es que sólo tenemos datos fiables [de densidad de estados] para unos 1.500 materiales. Cuando probamos por primera vez el aprendizaje automático, el conjunto de datos era demasiado pequeño para soportar predicciones precisas."

Su grupo se asoció entonces con la física de Lawrence Berkeley Tess Smidt ´12, coinventora de las llamadas redes neuronales euclidianas. "El entrenamiento de una red neuronal convencional suele requerir conjuntos de datos que contienen entre cientos de miles y millones de ejemplos", afirma Smidt. Una parte importante de esa demanda de datos se debe a que una red neuronal convencional no entiende que un patrón 3D y una versión rotada del mismo patrón están relacionados y representan realmente lo mismo. Antes de que pueda reconocer patrones 3D -en este caso, la disposición geométrica precisa de los átomos en un cristal-, una red neuronal convencional necesita primero que se le muestre el mismo patrón en cientos de orientaciones diferentes.

Como las redes neuronales euclidianas entienden la geometría y reconocen que los patrones rotados siguen "significando" lo mismo, pueden extraer la máxima cantidad de información de una sola muestra", añade Smidt. Como resultado, una red neuronal euclidiana entrenada con 1.500 ejemplos puede superar a una red neuronal convencional entrenada con 500 veces más datos.

Con la red neuronal euclidiana, el equipo predijo la densidad de estados de los fonones de 4.346 estructuras cristalinas. A continuación, seleccionaron los materiales con las 20 capacidades caloríficas más altas y compararon los valores de densidad de estados predichos con los obtenidos mediante cálculos DFPT, que requieren mucho tiempo. La concordancia fue notablemente estrecha.

Este método puede utilizarse para seleccionar materiales prometedores para el almacenamiento de energía térmica, de acuerdo con el mencionado "gran reto", afirma Li. "Pero también podría facilitar enormemente el diseño de aleaciones, porque ahora podemos determinar la densidad de estados de las aleaciones con la misma facilidad que la de los cristales. Eso, a su vez, ofrece una enorme expansión de los posibles materiales que podríamos considerar para el almacenamiento térmico, así como para muchas otras aplicaciones."

Algunas aplicaciones, de hecho, ya han comenzado. El código informático del grupo del MIT se ha instalado en máquinas de Oak Ridge, lo que permite a los investigadores predecir la densidad de estados de los fonones de un determinado material basándose en su estructura atómica.

Andrejevic señala, además, que las redes neuronales euclidianas tienen un potencial aún más amplio que todavía no se ha explotado. "Pueden ayudarnos a averiguar propiedades importantes de los materiales, además de la densidad de estados de los fonones. Así que esto podría abrir el campo a lo grande".

Esta investigación ha sido financiada por la Oficina de Ciencia del Departamento de Energía de EE.UU., la Fundación Nacional de Ciencia y el Laboratorio Nacional Lawrence Berkeley.