Inteligența artificială a ajutat o echipă de la Colegiul de Inginerie al Universității Naționale din Seul să identifice noi materiale dielectrice fără plumb, capabile să-și păstreze performanța la temperaturi înalte. Cercetătorii conduși de profesorul Ho Won Jang au reunit date dispersate în 448 de lucrări științifice, au analizat aproximativ 150 de milioane de compoziții virtuale și au selectat 37 de candidați. Două compoziții au fost apoi sintetizate și verificate experimental. Studiul, al cărui prim autor este Kwanwoo Song, a fost publicat în revista Nature Communications.
- Setul de antrenare a cuprins 1.202 înregistrări extrase din 448 de lucrări științifice.
- Aproximativ 150 de milioane de compoziții virtuale au fost restrânse la 37 de candidați.
- Două materiale cu 1% și 2% substituție molară cu staniu au fost testate experimental.
- Ambele probe au îndeplinit cerințele de stabilitate termică X5R, X6R și X7R.
Datele dispersate îngreunau căutarea materialelor potrivite
Dielectricii sunt materiale izolatoare care împiedică trecerea directă a curentului electric, dar pot stoca sarcină electrică. Ei sunt folosiți în condensatoarele ceramice multistrat, cunoscute și prin abrevierea MLCC, prezente în smartphone-uri, vehicule electrice și alte dispozitive electronice.
O constantă dielectrică mai mare permite stocarea unei cantități mai mari de energie electrică într-o componentă de aceeași dimensiune. Pentru utilizarea practică nu este însă suficientă o valoare ridicată la temperatura camerei: performanța trebuie să rămână stabilă atunci când temperatura se schimbă.
Căutarea unor materiale dielectrice fără plumb este complicată de numărul foarte mare de combinații posibile de elemente și proporții. În plus, informațiile experimentale sunt împărțite între texte, tabele și grafice, iar condițiile de măsurare diferă de la un studiu la altul. Acest lucru face dificilă folosirea directă a literaturii științifice pentru antrenarea unui model.
Modelele au redus 150 de milioane de opțiuni la 37
Echipa a combinat extragerea automată a informațiilor din literatura științifică cu învățarea automată ghidată de legi fizice. Modelele lingvistice mari au fost folosite pentru organizarea datelor despre compoziții și condițiile de procesare, iar graficele au fost convertite în valori numerice pentru a surprinde variația proprietăților dielectrice în funcție de temperatură.
Din acest proces au rezultat 1.202 înregistrări referitoare la compoziție, procesare și performanță. Cercetătorii au adăugat 22 de descriptori fizici, inclusiv informații despre elemente și microstructură, și au combinat 30 de modele de învățare automată antrenate independent. Sistemul a urmărit simultan trei indicatori legați de constanta dielectrică și stabilitatea termică, evaluând și cât de bine coincid predicțiile modelelor.
Aplicarea succesivă a criteriilor de performanță și a constrângerilor fizico-chimice a redus spațiul virtual de aproximativ 150 de milioane de compoziții la numai 37 de candidați.
Două compoziții au confirmat predicțiile în laborator
Cercetătorii au ajustat proporțiile componentelor din familia care conținea cei mai mulți candidați rămași și au ales două compoziții pentru testare. Probele, în care 1% și 2% molar au fost substituite cu staniu, au înregistrat la temperatura camerei constante dielectrice de 3.422, respectiv 3.307.
Potrivit rezultatelor, adaosul redus de staniu a îmbunătățit stabilitatea termică fără să diminueze substanțial constanta dielectrică. În comparație cu titanatul de bariu folosit în condensatoarele ceramice multistrat, noile materiale și-au menținut mai constant valorile într-un interval mai larg de temperatură.
Ambele probe au respectat cerințele X5R, X6R și X7R, care prevăd menținerea constantei dielectrice într-o abatere de ±15% față de valoarea de la 25 °C, până la 85 °C, 105 °C și, respectiv, 125 °C, pornind de la −55 °C.
Publicarea validează metoda, dar nu anunță producția comercială
Rezultatul arată că extragerea datelor din sute de articole poate transforma o căutare bazată în mare parte pe încercări succesive într-un proces ghidat de predicții. Pentru dezvoltarea componentelor electronice, aceasta înseamnă că pot fi prioritizate experimental compozițiile cu probabilitate mai mare de a îndeplini simultan mai multe cerințe.
Totuși, doar două dintre cele 37 de compoziții selectate au fost sintetizate în cadrul studiului. Cercetarea nu indică un calendar pentru testarea celorlalți candidați sau pentru o eventuală utilizare comercială. Prin urmare, rezultatele reprezintă o validare experimentală a metodei și a celor două probe, nu un anunț privind introducerea lor în producție.
Credeți că analiza literaturii cu ajutorul IA poate scurta decisiv drumul de la cercetarea materialelor la componente electronice mai performante?
