Durante más de 100 años, los científicos han utilizado la cristalografía de rayos X para determinar la estructura de materiales cristalinos como metales, rocas y cerámicas.
La técnica funciona mejor cuando el cristal está intacto, pero en muchos casos, los científicos sólo tienen una versión en polvo del material, que consiste en trozos de cristal aleatorios. Esto hace que sea más difícil montar la estructura general.
Los químicos del MIT han ideado un nuevo modelo de IA generativa que podría facilitar mucho la determinación de la estructura de estos cristales en polvo. El modelo predictivo puede ayudar a los investigadores a caracterizar materiales para su uso en baterías, imanes y muchas otras aplicaciones.
“La estructura es lo primero que desea saber para cualquier material. Es importante para la superconductividad, es importante para los imanes, es importante para saber qué energía fotovoltaica ha creado. También es importante para la aplicación que se le ocurra y que se centra en la material”, dice Dana Friedman, profesora de química Frederick George Keys en el MIT.
Friedman, profesor de informática en la Universidad de Stanford, y Javor Leskovic, autores principales del nuevo estudio, son Revista de la Sociedad Química Estadounidense. Eric Ressel, estudiante de posgrado del MIT, y Sach Mackie, estudiante de pregrado de la Universidad de Yale, son los autores principales del artículo.
Patrones específicos
Los materiales cristalinos, incluidos los metales y la mayoría de los demás sólidos inorgánicos, están formados por redes que constan de muchas unidades idénticas y repetidas. Estas unidades pueden considerarse como “cajas” con formas y tamaños específicos, con átomos dispuestos con precisión dentro de ellas.
Cuando se irradian rayos X sobre estas redes, separan los átomos en diferentes ángulos e intensidades, revelando información sobre las posiciones de los átomos y los enlaces entre ellos. Desde principios del siglo XX, esta técnica se ha utilizado para analizar materiales, incluidas moléculas biológicas que tienen una estructura cristalina, como el ADN y algunas proteínas.
Para los materiales que existen sólo como cristales en polvo, resolver estas estructuras se vuelve más difícil porque los fragmentos no tienen la estructura tridimensional completa del cristal original.
“La red correcta todavía está ahí, porque lo que llamamos polvo es en realidad una colección de microcristales. Por lo tanto, tienes la misma red que un cristal grande, pero están orientados de forma completamente aleatoria”, dice Friedman.
Para miles de estos materiales, existen patrones de difracción de rayos X, pero no están resueltos. Para intentar descomponer la estructura de estos materiales, Friedman y sus colegas entrenaron un modelo de aprendizaje automático con datos de una base de datos llamada Material Project, que contiene más de 150.000 materiales. Primero, introdujeron decenas de miles de materiales en un modelo existente que podría simular cómo se verían los patrones de difracción de rayos X. Luego, utilizaron esas muestras para entrenar su modelo de IA, al que llamaron Crystalize, para predecir estructuras basadas en patrones de rayos X.
El modelo divide el proceso de predicción de estructuras en varias subtareas. Primero, determina el tamaño y la forma de la “caja” de la red y qué átomos entrarán en ella. Luego, predice la disposición de los átomos dentro de la caja. Para cada patrón de difracción, el modelo genera varias estructuras posibles, que pueden probarse introduciendo las estructuras en un modelo que determina los patrones de difracción para una estructura determinada.
“Nuestro modelo es IA generativa, lo que significa que produce algo que nunca antes se había visto y que nos permite generar muchas conjeturas diferentes”, dice Ressel. “Podemos hacer cientos de conjeturas, y luego podemos adivinar cuál debería ser el patrón de polvo para nuestras conjeturas. Y luego, si la entrada es exactamente igual a la salida, entonces sabremos que lo hicimos bien. Entendido”.
Resolviendo estructuras desconocidas
Los investigadores probaron el modelo en varios miles de muestras de difracción sintética del Proyecto Materiales. También lo probaron en más de 100 patrones de difracción experimentales de la base de datos RRUFF, que contiene datos de difracción de rayos X en polvo para unos 14.000 minerales cristalinos naturales, que excluyeron de los datos de entrenamiento. Según estos datos, el modelo fue correcto aproximadamente el 67 por ciento de las veces. A continuación, comenzaron a probar el modelo en patrones de difusión que no se habían resuelto previamente. Estos datos provienen del archivo de difracción de polvo, que contiene datos de difracción de más de 400.000 materiales resueltos y no resueltos.
Utilizando su modelo, los investigadores generaron estructuras para más de 100 muestras no resueltas previamente. También utilizaron su modelo para explorar la estructura de tres materiales que el laboratorio de Friedman creó forzando elementos que no reaccionan a la presión atmosférica para formar compuestos a altas presiones. Este enfoque se puede utilizar para crear nuevos materiales que tengan estructuras cristalinas y propiedades físicas radicalmente diferentes, aunque tengan la misma composición química.
El grafito y el diamante, ambos hechos de carbono puro, son ejemplos de este tipo de materiales. Los materiales desarrollados por Friedman, cada uno de los cuales contiene bismuto y otro elemento, podrían resultar útiles en el diseño de nuevos materiales para imanes permanentes.
“Encontramos mucho material nuevo a partir de los datos existentes y, lo más importante, nuestro laboratorio resolvió tres estructuras desconocidas que contienen las primeras nuevas fases binarias de estas combinaciones de elementos”, dice Friedman.
Según el equipo del MIT, que publicó una interfaz web para el modelo, poder determinar la estructura de materiales cristalinos en polvo puede ayudar a los investigadores que trabajan en casi cualquier campo de materiales. cristalyze.org.
La investigación fue financiada por el Departamento de Energía de EE. UU. y la Fundación Nacional de Ciencias.
