EON_629

EON EWS n . 629 - APRILE 2019 26 necessarie per verificare le caratteristiche delle diver- se soluzioni. Un aiuto interessante può arrivare dall’uso di sistemi d’intelligenza artificiale, ed è proprio questa la strada intrapresa dai ricercatori del Georgia Institute of Technology che usano tecniche di machine lear- ning per poter trovare nuo- ve alternative per costruire componenti elettronici mi- gliori. I ricercatori si sono foca- lizzati sulla realizzazione di un sistema in grado di analizzare più rapidamente la struttura elettronica dei materiali, cercando carat- teristiche che potrebbero influire sulle prestazioni. L’importanza del training Il nuovo metodo, che è sta- to descritto il 18 febbraio nella rivista npj Computa- L a ricerca per migliorare i componenti elettronici è continua, ma spesso viene limitata dalla complessità dei modelli utilizzati e dalla relativa necessità di eleva- te, o innovative, capacità di calcolo. Un esempio è costituito dai condensatori, componenti che possono svolgere un ruolo molto importante per diverse applicazioni, dai veicoli elettrici ai disposi- tivi portatili. Uno dei limiti principali però risiede nella ridotta possibilità di imma- gazzinare energia rispetto ad altri componenti di di- mensioni analoghe come le batterie. La ricerca su nuovi mate- riali in grado di incrementa- re la capacità dei conden- satori è particolarmente attiva, ma si scontra con la complessità delle analisi tional Materials e sponso- rizzato dall’U.S. Office of Naval Research , prevede il training di un sistema di machine learning per analizzare, a livello ato- mico, due materiali già ampiamente utilizzati per realizzare alcuni tipi di condensatori: alluminio e polietilene. Il polietilene è un ottimo isolante con un ampio band gap, ma se presen- ta dei difetti, l’efficienza viene notevolmente ridot- ta. Per capire dove sono i difetti e quale ruolo gioca- no, occorre però elaborare l’intera struttura atomica, qualcosa che finora è stato estremamente complesso dato che il metodo attuale di ricerca, che utilizza la meccanica quantistica, è talmente lento che limita sensibilmente la quanti- tà di analisi che possono essere eseguite. L’analisi della struttura elettroni- ca di un materiale tramite la meccanica quantistica implica infatti operazioni complesse come la riso- luzione dell’equazione di Kohn-Sham (KS) della te- oria del funzionale della densità (Density Functio- nal Theory). Nonostante la versatilità, i calcoli DFT sono solitamente limitati a poche centinaia di atomi appunto a causa del collo di bottiglia computazionale posto dall’equazione. Risultati precisi in tempi brevi Il sistema basato sul ma- chine learning, che usa risultati DFT di riferimento generati in precedenza, permette invece di predire direttamente, rapidamente e con precisione la strut- tura elettronica di un ma- teriale o di una molecola, data solo la sua configura- zione atomica. I ricercatori, specializzati nell’utilizzo dei sistemi di machine learning per lo sviluppo di nuovi materia- li, hanno infatti utilizzato come input un campione di dati ottenuti dall’analisi del- la meccanica quantistica di alluminio e polietilene in modo da istruire un com- puter sulla simulazione di questo tipo di analisi. L’aspetto più interessante di questo approccio inno- vativo è che l’uso del nuo- vo metodo produce risul- tati simili rispetto a quelli ottenuti tramite l’utilizzo della tecnica convenziona- le basata sulla meccanica quantistica, ma i risultati sono ottenuti in tempi net- tamente più brevi. I ricercatori sottolineano infatti che si possono ridur- re i tempi di otto ordini di grandezza. Questa soluzione apre la strada a una progettazione sensibilmente più veloce delle combinazioni di ma- teriali rispetto ai sistemi attualmente in uso. Se infatti la ricerca si è fo- calizzata su alluminio e po- lietilene, il sistema di ma- chine learning può essere utilizzato per analizzare la struttura elettronica di una vasta gamma di materiali. L’elaborazione più veloce consentita da questo si- stema consente inoltre ai ricercatori di simulare più rapidamente come le mo- difiche a un materiale pos- sono avere un impatto sul- la sua struttura elettronica, rivelando potenzialmente nuovi modi per migliorare l’efficienza. F RANCESCO F ERRARI Le complesse analisi per trovare soluzioni migliori per i componenti elettronici possono essere notevolmente accelerate ricorrendo all’intelligenza artificiale Machine learning per nuovi materiali per i condensatori Rampi Ramprasad, professore alla School of Materials Science and Engineering, mostra un condensatore a base di alluminio (Fonte: Allison Carter) T ECNOLOGIE