Aprendizado de máquina para propriedades de materiais bidimensionais

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)