Base de datos de materiales dieléctricos a gran escala construida con el proyecto de base de datos abierta “StarryData” y la generación de un mapa de materiales utilizando la visualización de datos basados en el aprendizaje automático. Crédito: ciencia y tecnología de materiales avanzados
En una colaboración entre Murata Manufacturing Co., Ltd. y el Instituto Nacional de Ciencia de Materiales (NIMS), los investigadores han creado una nueva base de datos integral de propiedades de materiales dieléctricos comisariados de miles de artículos científicos. El estudio, publicado en Science and Technology of Advanced Materials: Methods, también ofrece información que podría acelerar el desarrollo de materiales electrónicos de próxima generación y tecnologías de almacenamiento de energía.
El descubrimiento de materiales impulsados por la IA tiene un gran potencial para acelerar la innovación, pero se basa en conjuntos de datos grandes y diversos. La falta de tales datos sigue siendo un cuello de botella importante en el campo. Para abordar este desafío, los investigadores utilizaron el sistema web StarryData2 para recopilar datos experimentales sobre más de 20,000 muestras de materiales de más de 5,000 publicaciones.
El equipo de NIMS ha desarrollado un enfoque estandarizado para extraer datos de gráficos, incluidas las propiedades dependientes de la temperatura, que a menudo se omiten en otras bases de datos. “Lo que hace que nuestro trabajo sea único es el proceso meticuloso de rastrear manualmente gráficos y corregir inconsistencias en los trabajos de investigación originales para crear un conjunto de datos limpio y de alta calidad”, dijeron los investigadores.
La base de datos se centra en una clase específica de materiales necesarios para la electrónica y es la más grande jamás informada, superando significativamente las colecciones anteriores. Con esta gran cantidad de información, el equipo usó el aprendizaje automático (ML) para predecir las propiedades de los materiales y cómo se comportarían electrónicamente.
Aunque los modelos ML fueron efectivos, inicialmente trabajaron como “cajas negras”: los investigadores no pudieron ver por qué los modelos hicieron sus predicciones. Para comprender el contexto de las predicciones, el equipo creó mapas visuales de los datos, lo que hace que la información compleja sea más fácil de interpretar. Utilizaron algoritmos de agrupación para agrupar automáticamente materiales similares.
Este análisis les ayudó a detectar patrones en cómo la composición de un material afecta sus propiedades. El equipo también pudo clasificar los materiales en grupos distintos, incluidas siete importantes familias ferroeléctricas, proporcionando un panorama global de todo el espacio de composición.
El equipo observó más de cerca las perovskitas Abo3, una familia de materiales que son componentes esenciales en dispositivos electrónicos cotidianos y tecnologías de almacenamiento de energía, como teléfonos inteligentes, computadoras y células solares. Sus visualizaciones mostraron un enlace simple entre la estructura básica del material y su permitividad dieléctrica, que coincide con el conocimiento académico anterior.
Este trabajo avanza nuestra comprensión de los materiales dieléctricos y mueve la investigación más allá de los enfoques tradicionales de prueba y error. “Al curar el conjunto de datos más grande de la historia y combinar varios métodos de aprendizaje automático, logramos visualizar el panorama de todo el espacio de composición con detalles sin precedentes”, explicó el equipo.
El equipo de NIMS planea que el conjunto de datos esté disponible públicamente el próximo año, lo que permite a los científicos de todo el mundo aprovecharlo para nuevos descubrimientos. El trabajo futuro puede implicar la expansión de la recopilación de datos para incluir métodos de fabricación y condiciones de procesamiento, lo que permite predicciones más completas que vinculen los procesos de producción con las propiedades del material.
“Esperamos que este trabajo fundamental inspire iniciativas de recopilación de datos similares y nuevos enfoques para el descubrimiento de materiales, lo que lleva a las vías de desarrollo de materiales más inteligentes que benefician a la sociedad a través de tecnologías electrónicas mejoradas”, concluyeron los investigadores.
Más información: Tomoki Murata et al, Análisis basado en datos y visualización de propiedades dieléctricas comisariadas de literatura científica, ciencia y tecnología de materiales avanzados: métodos (2025). Doi: 10.1080/27660400.2025.2485018
Proporcionado por la ciencia y la tecnología de materiales avanzados
Cita: la base de datos de materiales dieléctricos promete una ruta más rápida hacia dispositivos electrónicos más inteligentes (2025, 5 de mayo) Recuperado el 5 de mayo de 2025 de https://techxplore.com/news/2025-05-dielectric-materials-database-faster-path.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
