Simple Science

Scienza all'avanguardia spiegata semplicemente

# Fisica# Scienza dei materiali

Progressi nella ricerca sui composti di perovskite

I ricercatori usano simulazioni e machine learning per identificare nuovi materiali perovskite.

― 4 leggere min


Scoperte sui composti diScoperte sui composti diperovskitesimulazioni e machine learning.Nuovi materiali identificati usando
Indice

I composti perovskite hanno attirato un sacco di attenzione grazie alle loro proprietà interessanti e alla vasta gamma di applicazioni. Questi materiali possono comportarsi come metalli o isolanti, a seconda della loro struttura e composizione. Questa capacità li rende utili in diverse tecnologie, dall'immagazzinamento di energia all'elettronica. I perovskiti sono fatti di diversi elementi, il che permette agli scienziati di aggiustare le loro proprietà per usi specifici.

La Sfida di Trovare Nuovi Composti

Ci sono tante possibili combinazioni di elementi che possono formare composti perovskite. Tuttavia, trovare e testare tutte queste combinazioni in laboratorio non è pratico. Fare esperimenti può richiedere un sacco di tempo e risorse. Invece, gli scienziati usano simulazioni al computer per prevedere quali composti potrebbero essere stabili e utili. Questo fa risparmiare tempo e aiuta a ridurre le possibilità.

Calcoli ad alta capacità

Per studiare un gran numero di potenziali composti, gli scienziati eseguono quelli che chiamano calcoli ad alta capacità. Questi calcoli usano modelli al computer per esplorare rapidamente molte diverse combinazioni di elementi. In uno studio, i ricercatori hanno esaminato migliaia di diverse combinazioni che coinvolgevano gruppi specifici di elementi. Questo metodo consente agli scienziati di raccogliere dati utili che non sarebbero pratici da ottenere attraverso esperimenti tradizionali.

Scoprire Nuovi Composti

Grazie ai loro calcoli, i ricercatori hanno trovato molti nuovi composti che potrebbero essere realizzati in laboratorio. Molti di questi nuovi composti avevano strutture simili a quelli dei perovskiti già conosciuti, che un tempo si pensava fossero rari. Questa scoperta apre la porta a nuovi materiali che potrebbero avere proprietà uniche e preziose.

Importanza della Stabilità

Un aspetto importante di qualsiasi materiale è la sua stabilità. Se un composto non è stabile, potrebbe degradarsi o trasformarsi in qualcos'altro in certe condizioni. Gli scienziati usano un metodo chiamato teoria del funzionale della densità (DFT) per calcolare la stabilità dei diversi composti. Capendo quali composti sono probabili di essere stabili, i ricercatori possono concentrare i loro sforzi su quelli che hanno maggiori probabilità di avere successo nelle applicazioni pratiche.

Apprendimento Automatico nella Scoperta dei Materiali

Con i progressi nella tecnologia, l'apprendimento automatico sta diventando uno strumento utile nella scienza dei materiali. Gli algoritmi di apprendimento automatico possono analizzare grandi dataset per trovare schemi e fare previsioni. In questo contesto, gli scienziati hanno usato l'apprendimento automatico per studiare le proprietà e la stabilità dei composti perovskite. Questo approccio può accelerare il processo di scoperta identificando rapidamente quali composti valga la pena approfondire.

Caratteristiche che Influenzano la Stabilità

I ricercatori hanno identificato diverse caratteristiche chiave che influenzano la stabilità dei composti perovskite. Queste includono il numero di elettroni nel guscio esterno degli atomi, i tipi di elementi usati e la struttura generale dei composti. Concentrandosi su queste caratteristiche, i modelli di apprendimento automatico possono prevedere la stabilità di nuovi composti con maggiore precisione.

Screening di Nuove Composizioni

Usando i modelli di apprendimento automatico sviluppati dai loro risultati, i ricercatori hanno esaminato composizioni aggiuntive che non erano state incluse nei loro calcoli iniziali. Hanno cercato di prevedere la stabilità di queste nuove combinazioni basandosi sugli schemi che avevano identificato. Facendo così, sono riusciti a scoprire ancora più composti potenzialmente stabili che non erano ancora stati sintetizzati in laboratorio.

Percentuale di Successo delle Previsioni

Gli scienziati hanno valutato l'accuratezza delle loro previsioni confrontandole con dati esistenti. Hanno trovato un'alta percentuale di successo per i composti che prevedevano essere stabili. Questo indica che i loro metodi di usare calcoli ad alta capacità combinati con l'apprendimento automatico erano efficaci nell'identificare nuovi materiali promettenti.

Validazione Sperimentale

Anche se le previsioni possono fornire intuizioni preziose, la validazione sperimentale è fondamentale. I ricercatori devono ancora testare questi composti previsti in un contesto di laboratorio per confermare la loro stabilità e proprietà. La combinazione di previsioni computazionali e lavoro sperimentale è cruciale per far avanzare la scienza dei materiali e sviluppare nuove tecnologie.

Impatto Più Ampio della Ricerca sui Perovskiti

Lo studio dei composti perovskite ha il potenziale per importanti avanzamenti in settori come l'energia rinnovabile, l'elettronica e l'immagazzinamento delle informazioni. Man mano che i ricercatori continuano a scoprire nuovi materiali e migliorare quelli esistenti, le applicazioni di questi composti potrebbero espandersi, portando a tecnologie più efficienti e sostenibili.

Conclusione

In sintesi, la ricerca sui composti perovskite dimostra la potente combinazione di metodi computazionali e approcci sperimentali nella scoperta dei materiali. Usando calcoli ad alta capacità e apprendimento automatico, gli scienziati possono identificare e convalidare rapidamente nuovi composti. I risultati non solo migliorano la nostra comprensione dei materiali perovskite, ma aprono anche la strada a nuove e interessanti applicazioni in vari settori tecnologici. L'esplorazione continua di questi composti promette di contribuire ai progressi nell'energia, nell'elettronica e in molti altri campi.

Fonte originale

Titolo: Thermal stabilities Landscape of A$_2$BB$^{\prime}$O$_6$ compounds

Estratto: Perovskite oxides have been extensively studied for their wide range of compositions and structures, as well as their valuable properties for various applications. Expanding from single perovskite ABO$_3$ to double perovskite $A_2BB^{\prime}$O$_6$ significantly enhances the ability to tailor specific physical and chemical properties. However, the vast number of potential compositions of $A_2BB^{\prime}$O$_6$ makes it impractical to explore them all experimentally. In this study, we conducted high-throughput calculations to systematically investigate the structures and stabilities of 4,900 $A_2BB^{\prime}$O$_6$ compositions (with $A$ = Ca, Sr, Ba, and La; $B$ and $B^{\prime}$ representing metal elements) through over 42,000 density functional theory (DFT) calculations. Our analysis lead to the discovery of more than 1,500 new synthesizable $A_2BB^{\prime}$O$_6$ compounds, with over 1,100 of them exhibiting double perovskite structures, predominantly in the $P2_1/c$ space group. By leveraging the high-throughput dataset, we developed machine learning models that achieved mean absolute errors of 0.0444 and 0.0330 eV/atom for formation energy and decomposition energy, respectively. Using these models, we identified 803 stable or metastable compositions beyond the chemical space covered in our initial calculations, with 612 of them having DFT-validated decomposition energies below 0.1 eV/atom, resulting in a success rate of 76.2 \%. This study delineates the stability landscape of $A_2BB^{\prime}$O$_6$ compounds and offers new insights for the exploration of these materials.

Autori: Yateng Wang, Bianca Baldassarri, Jiahong Shen, Jiangang He, Chris Wolverton

Ultimo aggiornamento: 2024-02-29 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2402.19220

Fonte PDF: https://arxiv.org/pdf/2402.19220

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili