Materiais de alta entropia inteligíveis: desenvolvendo modelos, dados e aplicações

• Processo: 22/14549-3
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de março de 2023
• Data de Término da vigência: 28 de fevereiro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Leandro Seixas Rocha
• Beneficiário: Leandro Seixas Rocha
• Instituição Sede: Escola de Engenharia (EE). Universidade Presbiteriana Mackenzie (UPM). Instituto Presbiteriano Mackenzie. São Paulo , SP, Brasil
• Pesquisadores associados: Dario Andres Bahamon Ardila ; James Moraes de Almeida
• Bolsa(s) vinculada(s): 23/15372-2 - Desenvolvimento e Operação de Bancos de Dados de Materiais de Alta Entropia, BP.TT
• Assunto(s): Simulação por computador Métodos ab initio Redes neurais (computação) Inteligência artificial Ligas de alta entropia Materiais nanoestruturados Aprendizado computacional Hidrogênio Eletrólise da água
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | Ligas de Alta Entropia | Nanomateriais | Redes neurais | Simulações computacionais

Resumo

Ligas de alta entropia são materiais formados por pelo menos cinco elementos metálicos em proporções de composição semelhante para cada metal. A mistura aleatória dos elementos químicos aumenta a entropia desses materiais, estabilizando fases com soluções sólidas uniformes e desordenadas. Para esses materiais, a variedade de composição é imensa, com explosão combinatória com o aumento de elementos químicos diferentes na liga. Na exploração das possibilidades de configurações desses materiais, algoritmos de aprendizagem de máquina podem ser aplicados para classificação, agrupamentos e reconhecimento de padrões em bancos de dados de materiais. Novos materiais podem ser descobertos nesse espaço de configurações de ligas de alta entropia, com propriedades físicas e químicas especialmente projetada para uma dada aplicação, como catálise para produção eletroquímica de hidrogênio. Neste projeto, vamos investigar as propriedades de nanopartículas de ligas de alta entropia através de simulações ab initio automatizadas e analisar esses dados com algoritmos de aprendizagem de máquina baseadas em redes neurais. Almejamos criar bancos de dados de materiais de alta entropia para o reconhecimento de padrões e categorização por algoritmos de aprendizagem de máquina. Por fim, visamos descobrir novos materiais que possam ser sintetizados e aplicados como catalisadores para produção de hidrogênio verde por meio da eletrólise da água. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MOREIRA, RENATO B.; SEIXAS, LEANDRO. Magnetic phase tuning in patronite-based VS₄ nanowires. Journal of Magnetism and Magnetic Materials, v. 595, p. 7-pg., 2024-03-10. (22/14549-3)

DUARTE, F. R.; MATUSALEM, F.; GRASSESCHI, D.; ROCHA, A. R.; SEIXAS, LEANDRO; DE MATOS, CHRISTIANO J. S.; MUKIM, S.; FERREIRA, M. S.. Decoding disorder signatures of AuCl₃ and vacancies in MoS₂ films: from synthetic to experimental inversion. JOURNAL OF PHYSICS-CONDENSED MATTER, v. 36, n. 49, p. 10-pg., 2024-12-11. (22/14549-3, 15/10405-3, 17/01817-1, 18/07276-5)

HOSTERT, LEANDRO; DIAS, MATHEUS S.; DE AQUINO, CAROLINE B.; DOS SANTOS, FELIPE C.; MARANGONI, VALERIA S.; SILVA, CECILIA DE CARVALHO C.; SEIXAS, LEANDRO; MARONEZE, CAMILA M.. Covalent Surface Functionalization of Exfoliated MoS₂ Nanosheets for Improved Electrocatalysis. Journal of Physical Chemistry C, v. N/A, p. 10-pg., 2024-11-13. (22/14549-3, 16/20799-1)