Aprendizado de máquina para propriedades de materiais bidimensionais

• Processo: 21/12204-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Data de Início da vigência: 04 de fevereiro de 2022
• Data de Término da vigência: 03 de fevereiro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Adalberto Fazzio
• Beneficiário: Bruno Focassio
• Supervisor: Stefano Sanvito
• Instituição Sede: Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Instituição Anfitriã: Trinity College Dublin, Irlanda
• Vinculado à bolsa: 19/04527-0 - Interface entre isolantes topológicos cristalinos e materiais 2D-trivial: estudo de proximidade via defeitos, BP.DD
• Assunto(s): Materiais Materiais bidimensionais Isolantes topológicos Aprendizado computacional Ciência de dados
• Palavra(s)-Chave do Pesquisador: machine learning | Materials Science | structural descriptors | Topological Insulators | 2D Materials | Ciência de dados para ciência dos materiais

Resumo

Os materiais são representados por seus átomos, composição e estrutura (ACS). Materiais com diferentes descritores ACS apresentam um conjunto diferente de propriedades. No entanto, existe uma relação complexa e intrigante entre o ACS e as propriedades dos materiais. O aprendizado de máquina pode explorar essas relações e acelerar a avaliação das propriedades usando características de materiais conhecidos para encontrar uma função aproximada para prever a propriedade de materiais desconhecidos. Os isoladores topológicos são sistemas exóticos com estados de fronteira metálicos protegidos por simetria com potencial para aplicações em dispositivos de spintrônica e orbitrônica, dispositivos de baixa perda de energia e computação quântica. Em materiais reais, as propriedades topológicas são sensíveis a modificações estruturais, como defeitos, temperatura, substituição química, deformação e fases amorfas. Essas modificações são capazes de transformar materiais topológicos em triviais, mas também transformam materiais triviais em topológicos. Propomos estudar a relação entre a estrutura dos materiais e as propriedades topológicas usando aprendizado de máquina e métodos baseados em ciência de dados. Iremos investigar descritores de estrutura global e local para estudar o papel da estrutura e simetrias. Além disso, exploraremos os efeitos locais nas propriedades globais. Finalmente, isso poderia nos permitir aplicar nossos modelos para estudar materiais desordenados e estruturas realistas. (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)

FOCASSIO, BRUNO; DOMINA, MICHELANGELO; PATIL, URVESH; FAZZIO, ADALBERTO; SANVITO, STEFANO. Linear Jacobi-Legendre expansion of the charge density for machine learning-accelerated electronic structure calculations. NPJ COMPUTATIONAL MATERIALS, v. 9, n. 1, p. 10-pg., 2023-05-29. (19/04527-0, 17/02317-2, 21/12204-6)