Machine learning e Ciência de Materiais: descoberta e design de materiais 2D

Resumo

Atualmente, todos as áreas estão sendo afetadas por um "dilúvio de dados" resultante dos avanços nas tecnologias da informação. As Ciências experimentais, teóricas e computacionais podem se beneficiar desse progresso e integrá-lo em um novo paradigma científico de grande intensidade de dados. As técnicas necessárias para lidar com a grande produção de dados apenas recentemente se tornaram possíveis, graças à computação de alto desempenho e novas metodologias analíticas. Inovações em materiais avançados para tecnologias são fundamentais para a sociedade, definindo seu progresso e sendo associadas ao período como um todo (por exemplo, a Era do Silício). As inovações em materiais correspondem à maioria dos avanços em diversas indústrias, no entanto, seu desenvolvimento tradicionalmente exige um período longo e custoso, levando à uma falta de investimento nesta fase inicial. Uma vez que um material está consolidado, raramente é substituído devido aos custos associados à produção em escala industrial. Portanto, a introdução de materiais para setores específicos é cada vez mais importante para seu sucesso e, atualmente, vários novos nichos tecnológicos precisam de materiais potenciais. Propomos a utilização de uma metodologia desenvolvida recentemente para lidar com grandes volumes de dados produzidos por simulações computacionais de alto desempenho baseada na teoria funcional de densidade (DFT), para produzir descritores fisicamente significativos, que são funções que descrevem os fenômenos estudados em termos somente das propriedades dos átomos constituintes do material. Esta metodologia será aplicada para compreender e projetar novos materiais bidimensionais com foco nas propriedades eletrônicas, fotoeletrocatalíticas e estabilidade térmica, visando aplicações avançadas para tecnologias de ponta. (AU)