← Últimos artigos
🔬 ciência dos materiais

Capturing long-range interaction with reciprocal space neural network

Este artigo propõe um método de rede neural de espaço recíproco que transforma informações estruturais do espaço real para permitir que potenciais interatômicos de aprendizado de máquina capturem com precisão interações de longo alcance, melhorando assim a previsão de propriedades globais e facilitando simulações dinâmicas de grande escala de sistemas complexos como materiais iônicos e cristais defeituosos.

Autores originais: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Primeira publicação 2022-11-30 · Atualizado 2026-11-17
📖 5 min de leitura🧠 Leitura aprofundada

Autores originais: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Para compreender os materiais que compõem o nosso mundo, desde o silício num chip de computador até ao sal no nosso saleiro, os cientistas recorrem frequentemente a uma ferramenta poderosa chamada dinâmica molecular. Esta é uma forma de simular como os átomos se movem e interagem ao longo do tempo, mas para executar estas simulações, os investigadores precisam de um mapa fiável que lhes diga quanta energia está armazenada em qualquer arranjo dado de átomos. Durante décadas, o padrão de ouro para a criação destes mapas tem sido um método baseado nas leis da mecânica quântica, que é incrivelmente preciso, mas tão computacionalmente dispendioso que só consegue lidar com pequenos grupos de átomos por períodos muito curtos. Para estudar sistemas maiores ou escalas de tempo mais longas, os cientistas recorreram à aprendizagem automática, treinando computadores para aprender a relação entre as posições atómicas e a energia. No entanto, a maioria destes modelos de aprendizagem modernos opera sob uma premissa simples: que um átomo só se preocupa com os seus vizinhos imediatos. Eles olham para a vizinhança local e ignoram o que está a acontecer longe dali. Isto funciona bem para muitos materiais, mas falha para outros, particularmente aqueles feitos de partículas carregadas, como sais ou certos cristais, onde a atração ou repulsão de um átomo pode estender-se por toda a estrutura, influenciando o comportamento do material de formas que instantâneos locais não conseguem capturar.

Uma equipa de investigadores da Universidade de Fudan e do Instituto Shanghai Qi Zhi desenvolveu uma nova abordagem para corrigir este ponto cego. Eles perceberam que, para compreender como os átomos distantes influenciam uns aos outros, precisavam de olhar para o material não apenas como uma coleção de pontos individuais no espaço, mas como um padrão completo de ondas. Na física, existe uma forma matemática de traduzir o arranjo de átomos num cristal para um tipo diferente de espaço, frequentemente chamado de espaço recíproco, que é naturalmente adequado para descrever padrões que se repetem ao longo de grandes distâncias. Os investigadores construíram um novo tipo de modelo computacional que pega na imagem padrão de um cristal, traduz ela para esta linguagem baseada em ondas e utiliza uma rede neuronal para aprender as contribuições de energia provenientes destes padrões de longo alcance. Eles então combinaram esta visão global com a visão local tradicional, criando um modelo híbrido que vê tanto os vizinhos imediatos quanto as influências distantes simultaneamente.

A equipa testou este novo método em vários materiais diferentes para ver se poderia realmente melhorar as previsões. Primeiro, analisaram um conjunto de dados de perovskitas híbridas orgânico-inorgânicas, um tipo de cristal usado em células solares, para prever os seus band gaps, que é uma medida de quão bem conduzem eletricidade. Quando compararam o seu novo modelo com métodos existentes, a abordagem híbrida que incluía a informação de onda de longo alcance foi a mais precisa, reduzindo significativamente o erro nas suas previsções. Em contraste, descobriram que simplesmente adicionar um cálculo de longo alcance padrão sem o novo componente de rede neuronal não ajudava, e usar apenas a informação de longo alcance sem os detalhes locais não era suficiente por si só. O sucesso veio da forma específica como combinaram as duas perspetivas.

Em seguida, os investigadores enfrentaram um desafio mais difícil: simular cristais com defeitos, ou partes em falta, onde as forças de longo alcance são especialmente críticas. Criaram um modelo de um cristal de sal, cloreto de sódio, e introduziram oscilações aleatórias nos átomos para simular imperfeições do mundo real. Treinaram o seu modelo para prever a energia total destas estruturas, uma tarefa que exige contabilizar a atração elétrica entre cada um dos átomos no sistema. Os resultados mostraram que o novo método deles, que aprende as forças de longo alcance diretamente a partir dos dados, foi muito mais preciso do que os modelos anteriores, especialmente quando o cristal era grande e continha defeitos. Também testaram isto num material semicondutor complexo chamado nitreto de gálio, usado em eletrónica de alta potência. Neste caso, o novo modelo não só previu a energia de forma mais precisa, como também proporcionou uma imagem muito mais estável de como as forças entre os átomos se comportavam, reduzindo os erros nas previsões de força por uma margem significativa em comparação com os modelos padrão.

A chave para esta melhoria não foi apenas adicionar mais dados, mas mudar a forma como o computador "vê" o cristal. Ao traduzir as posições atómicas para um formato que captura naturalmente os padrões repetitivos e de longa distância do material, o modelo conseguiu aprender as interações subtis e de longo alcance que os modelos tradicionais perdem. Os investigadores também descobriram que a forma como treinaram o modelo importava muito; descobriram que ensinar o computador a compreender o ambiente local primeiro, e depois adicionar a informação de longo alcance numa segunda etapa, produziu resultados muito melhores do que tentar aprender tudo de uma vez. Esta nova abordagem oferece um caminho promissor para o design de melhores materiais, particularmente para sistemas onde o comportamento do todo depende das conexões invisíveis entre átomos que estão distantes entre si.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →