EO_477

TECH INSIGHT NEWS TECHNOLOGIES 23 - ELETTRONICA OGGI 477 - APRILE 2019 Machine learning per nuovi materiali per i condensatori Le complesse analisi per trovare soluzioni migliori per i componenti elettronici possono essere notevolmente accelerate ricorrendo all’intelligenza artificiale Francesco Ferrari L a ricerca per migliorare i componenti elettronici è continua, ma spesso viene limitata dalla complessità dei modelli utilizzati e dalla relativa necessità di elevate, 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 dispositivi portatili. Uno dei limiti principali però risiede nella ri- dotta possibilità di immagazzinare energia rispetto ad altri componenti di dimensioni analoghe come le batterie. La ricerca su nuovi materiali in grado di incrementare la capacità dei condensatori è particolarmente attiva, ma si scontra con la complessità delle analisi necessarie per verificare le caratteristiche delle diverse soluzioni. Un aiuto interessante può arrivare dall’uso di sistemi d’intelligenza artificiale, ed è pro- prio questa la strada intrapresa dai ricer- catori del Georgia Institute of Technology che usano tecniche di machine learning per poter trovare nuove alternative per costrui- re componenti elettronici migliori. I ricercatori si sono focalizzati sulla realiz- zazione di un sistema in grado di analizzare più rapidamente la struttura elettronica dei materiali, cercando caratteristiche che po- trebbero influire sulle prestazioni. Il nuovo metodo, che è stato descritto il 18 febbraio nella rivista npj Computational Material s e sponsorizzato dall’ U.S. Office of Naval Research , prevede il training di un sistema di machine learning per analiz- zare, a livello atomico, due materiali già am- piamente utilizzati per realizzare alcuni tipi di condensatori: alluminio e polietilene. Il polietilene è un ottimo isolante con un am- pio band gap, ma se presenta dei difetti, l’efficienza viene notevolmente ridotta. Per capire dove sono i difetti e quale ruolo giocano, occorre però elaborare l’intera struttura atomica, qualcosa che finora è stato estremamen- te complesso dato che il metodo attuale di ricerca, che utilizza la meccanica quantistica, è talmente lento che limita sensibilmente la quantità di analisi che possono essere eseguite. L’analisi della struttura elettronica di un materiale tramite la meccanica quantistica implica infatti operazioni complesse come la risoluzione dell’equazio- ne di Kohn-Sham (KS) della teoria del funzionale della densità (Density Functional Theory o DFT). 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. Il sistema basato sul machine learning, che usa risultati DFT di riferimento generati in precedenza, permette invece di predire direttamente, rapidamente e con precisione la struttura elettronica di un materiale o di una molecola, data solo la sua configurazione atomica. I ricercatori, specializzati nell’utilizzo dei sistemi di machine learning per lo sviluppo di nuovi materiali, hanno infatti utilizzato come input un campione di dati ottenuti dall’analisi della meccanica quantistica di alluminio e polietilene in modo da istruire un computer sulla simulazione di questo tipo di analisi. Rampi Ramprasad, professore alla School of Materials Science and Engineering, mostra un condensatore a base di alluminio (Credit: Allison Carter)