La IA analizó 150 millones de materiales y encontró dos candidatos prometedores para la electrónica del futuro
Imagen conceptual que ilustra cómo un modelo de aprendizaje automático entrenado con datos construidos a través de la minería de literatura multimodal y el conocimiento físico explora el vasto espacio compositivo de los dieléctricos sin plomo e identifica materiales candidatos para la validación experimental. Crédito: Facultad de Ingeniería de la Universidad Nacional de Seúl.
Scitechdaily.com/
Los investigadores crearon un conjunto de datos de 1.202 registros a partir de 448 artículos y analizaron alrededor de 150 millones de composiciones virtuales para identificar materiales potenciales para futuros condensadores cerámicos multicapa (MLCC) y componentes electrónicos para vehículos eléctricos.
Encontrar un nuevo material electrónico puede implicar examinar un número casi ilimitado de posibles combinaciones químicas. Investigadores de la Universidad Nacional de Seúl han utilizado inteligencia artificial para simplificar esta búsqueda, recopilando datos dispersos en cientos de artículos científicos y utilizándolos para identificar materiales dieléctricos sin plomo que se mantienen estables a altas temperaturas.
El equipo de investigación de la Facultad de Ingeniería de la Universidad Nacional de Seúl estuvo dirigido por el profesor Ho Won Jang, del Departamento de Ciencia e Ingeniería de Materiales. Los investigadores combinaron información extraída de estudios publicados con aprendizaje automático basado en la física para diseñar nuevas composiciones dieléctricas sin plomo. El estudiante de maestría y doctorado integrado Kwanwoo Song fue el primer autor y lideró el proyecto general, con la colaboración del estudiante de maestría y doctorado integrado Youngmin Kim y el investigador postdoctoral Jaehyun Kim.
Los dieléctricos son materiales aislantes que bloquean el flujo directo de electricidad a la vez que almacenan carga eléctrica. Son esenciales para los condensadores cerámicos multicapa (MLCC) presentes en teléfonos inteligentes, vehículos eléctricos y otros dispositivos electrónicos. Una constante dieléctrica más alta permite que un componente del mismo tamaño almacene más energía eléctrica, pero los materiales deben mantener ese rendimiento a medida que aumenta la temperatura.
Para buscar composiciones prometedoras, los investigadores combinaron la minería de literatura multimodal, que extrae información de texto, tablas y gráficos, con el aprendizaje automático basado en la física. Su estrategia de diseño inverso partió de los objetivos de rendimiento deseados y, a partir de ahí, identificó composiciones que probablemente los cumplieran.
Los investigadores recopilaron 1202 registros de propiedades dieléctricas de 448 artículos científicos y, posteriormente, analizaron un espacio químico virtual con aproximadamente 150 millones de composiciones posibles. Este proceso redujo el número de candidatos a 37. Dos de ellos fueron sintetizados y probados experimentalmente, y ambos mostraron altas constantes dieléctricas y una gran estabilidad a temperaturas elevadas.
Los resultados se publicaron en Nature Communications
.
De izquierda a derecha: Kwanwoo Song, estudiante de maestría y doctorado en el Departamento de Ciencia e Ingeniería de Materiales de la Universidad Nacional de Seúl y actualmente en Samsung Electro-Mechanics; Youngmin Kim, estudiante de maestría y doctorado; Jaehyun Kim, investigador postdoctoral; y el profesor Ho Won Jang. Crédito: Facultad de Ingeniería de la Universidad Nacional de Seúl.
De izquierda a derecha: Kwanwoo Song, estudiante de maestría y doctorado en el Departamento de Ciencia e Ingeniería de Materiales de la Universidad Nacional de Seúl y actualmente en Samsung Electro-Mechanics; Youngmin Kim, estudiante de maestría y doctorado; Jaehyun Kim, investigador postdoctoral; y el profesor Ho Won Jang. Crédito: Facultad de Ingeniería de la Universidad Nacional de Seúl.El método de ensayo y error se enfrenta a millones de posibilidades
La demanda de materiales dieléctricos resistentes al calor está creciendo a medida que tecnologías como los vehículos eléctricos, la electrónica de potencia y los equipos aeroespaciales operan cada vez más a temperaturas elevadas. Los ferroeléctricos relaxores son especialmente prometedores porque su respuesta eléctrica cambia de forma relativamente gradual con la temperatura, lo que permite combinar una constante dieléctrica alta con un buen rendimiento en un amplio rango de temperaturas.
Sin embargo, incluso entre los materiales sin plomo, la enorme cantidad de elementos y proporciones de mezcla posibles hace que las búsquedas convencionales por ensayo y error sean costosas y lentas. Otro obstáculo son los propios datos. Las mediciones útiles se encuentran dispersas entre el texto, las tablas y las figuras de numerosos estudios, mientras que la temperatura, la frecuencia, las características de las muestras y otras condiciones experimentales difieren entre las publicaciones. Estas inconsistencias dificultan el uso directo de la información publicada para el aprendizaje automático.
La IA redujo 150 millones de composiciones a 37
Los investigadores abordaron este problema mediante la creación de un marco de aprendizaje automático que organiza la información de publicaciones separadas en un conjunto de datos coherente, utilizando al mismo tiempo restricciones físicas para excluir composiciones que probablemente no existan.
Se utilizaron modelos de lenguaje complejos para extraer composiciones y condiciones de procesamiento del texto y las tablas de artículos científicos. Los gráficos se convirtieron en datos numéricos para que los investigadores pudieran recuperar las propiedades dieléctricas dependientes de la temperatura.
En conjunto, estas fuentes generaron 1202 registros que contenían información sobre la composición, las condiciones de procesamiento y las propiedades dieléctricas de 448 artículos. Los investigadores añadieron 22 descriptores físicos, incluyendo información relacionada con la composición elemental y la microestructura, para que los datos de diferentes publicaciones fueran más comparables.
(Izquierda) Comparación del rendimiento entre los dieléctricos sin plomo previamente descritos en la literatura y los materiales desarrollados en este estudio. Las estrellas indican el material de referencia sin estaño (SNBT) y los materiales que contienen 1 y 2 % molar de Sn (SNBTS1 y SNBTS2), respectivamente. Los materiales situados más hacia la parte superior derecha presentan constantes dieléctricas más elevadas y una mejor estabilidad térmica. (Derecha) Comparación de las constantes dieléctricas dependientes de la temperatura de los materiales desarrollados en este estudio con las del titanato de bario (BaTiO₃), un material dieléctrico representativo. Mientras que la constante dieléctrica del titanato de bario cambia bruscamente alrededor de los 125 °C, SNBTS1 y SNBTS2 mantienen constantes dieléctricas relativamente estables en un amplio rango de temperaturas. Crédito: Nature Communications, publicado originalmente en Nature Communications.Posteriormente, combinaron 30 modelos de aprendizaje automático entrenados de forma independiente para predecir simultáneamente tres parámetros importantes relacionados con la constante dieléctrica y la estabilidad térmica. El sistema también evaluó el grado de concordancia entre los modelos, dando prioridad a las composiciones con mayor confianza predictiva.
Tras aplicar requisitos de rendimiento y restricciones fisicoquímicas predefinidas a unos 150 millones de composiciones virtuales, solo quedaron 37 materiales candidatos. Los investigadores refinaron las proporciones de los componentes dentro de la familia compositiva que contenía el mayor número de candidatos y seleccionaron dos formulaciones para realizar pruebas experimentales.
Dos candidatos cumplieron con los estándares de alta temperatura
Las dos muestras analizadas contenían sustituciones de 1 mol% y 2 mol% de estaño (Sn). A temperatura ambiente, alcanzaron constantes dieléctricas de 3422 y 3307, respectivamente.
La adición de una pequeña cantidad de Sn produjo un equilibrio útil: la estabilidad de la temperatura mejoró sin una pérdida sustancial de la constante dieléctrica. En comparación con el titanato de bario (BaTiO₃), un material ampliamente utilizado en los condensadores cerámicos multicapa actuales, las nuevas composiciones mantuvieron constantes dieléctricas elevadas de forma más consistente en un rango de temperaturas más amplio.
Rendimiento dependiente de la temperatura de los dieléctricos sin plomo: (izquierda) 'SNBTS1', con 1% molar de estaño (Sn), y (derecha) 'SNBTS2', con 2% molar de Sn. Las líneas continuas de colores representan las mediciones experimentales, mientras que las líneas discontinuas negras indican las predicciones del aprendizaje automático. Ambos materiales mantuvieron constantes dieléctricas elevadas —su capacidad para almacenar energía eléctrica— en un amplio rango de temperaturas, y los resultados predichos reprodujeron fielmente las tendencias observadas experimentalmente. Las curvas inferiores indican el grado de pérdida de energía eléctrica. Crédito: Nature Communications, publicado originalmente en Nature Communications.Ambas muestras cumplieron con los requisitos de estabilidad a altas temperaturas de las normas internacionales X5R, X6R y X7R utilizadas para capacitores cerámicos multicapa. Sus constantes dieléctricas también se encontraban entre las más altas registradas para materiales pertenecientes a la misma familia compositiva.
X5R, X6R y X7R: Clasificaciones de estabilidad térmica para materiales dieléctricos utilizados en condensadores cerámicos multicapa, que generalmente describen si la constante dieléctrica se mantiene dentro de ±15% de su valor a 25°C en rangos que comienzan en −55°C y se extienden hasta 85°C, 105°C y 125°C, respectivamente.
La sustitución del estaño explica la ganancia de estabilidad
Para determinar por qué pequeñas cantidades de estaño mejoraban el rendimiento, los investigadores compararon lo que los modelos de aprendizaje automático habían identificado como importante con mediciones obtenidas mediante microscopía de fuerza piezoeléctrica, espectroscopía Raman y microscopía electrónica de resolución atómica.
Su análisis demostró que la sustitución limitada de Sn expande la estructura cristalina y aumenta la heterogeneidad eléctrica a escala atómica. Según los investigadores, estos cambios mejoran la estabilidad térmica.
Más allá de los dos materiales validados, el estudio demuestra una forma de convertir la información dispersa en la literatura científica en un conjunto de datos que puede guiar el diseño de nuevos materiales. Los investigadores afirman que este mismo enfoque podría extenderse a óxidos funcionales, películas delgadas y otros sistemas de materiales cuyos datos útiles se encuentran distribuidos en numerosas publicaciones.
Los dieléctricos sin plomo probados en el estudio podrían contribuir en el futuro a la fabricación de condensadores cerámicos multicapa de alta temperatura y componentes electrónicos para vehículos eléctricos, electrónica de potencia y sistemas aeroespaciales.
El profesor Ho Won Jang afirmó: "La importancia de este estudio no reside simplemente en predecir el rendimiento mediante el aprendizaje automático, sino en integrar información dispersa en múltiples artículos en un conjunto de datos de entrenamiento y, posteriormente, considerar tanto las leyes físicas como la coherencia entre las predicciones del modelo para reducir la búsqueda hasta llegar a los candidatos que realmente podrían sintetizarse".
Añadió: «Esperamos que la estrategia presentada en este estudio —que combina la minería de literatura multimodal con el aprendizaje automático basado en la física— se extienda más allá de los materiales dieléctricos al descubrimiento de otros óxidos funcionales y materiales de película delgada, donde los datos están dispersos en numerosos artículos y formatos y, por lo tanto, requieren una integración sistemática».
Kwanwoo Song, primer autor del estudio y estudiante de maestría y doctorado, lideró el trabajo desde la creación del conjunto de datos a partir de la literatura y el desarrollo de los modelos de aprendizaje automático hasta la selección de candidatos y la validación experimental. Su investigación actual continúa utilizando el aprendizaje automático para buscar nuevos materiales electrónicos, incluyendo dieléctricos sin plomo y composiciones MLCC, así como materiales de canal de óxido para transistores semiconductores. Planea continuar investigando y desarrollando materiales electrónicos y dieléctricos de alto rendimiento.
El grupo del profesor Ho Won Jang también ha aplicado previamente la IA a otro problema de descubrimiento de materiales. En una investigación liderada por el investigador postdoctoral Jaehyun Kim como primer autor, el equipo descubrió y validó experimentalmente un catalizador de electrólisis de agua de metal no precioso basado en un átomo único de tungsteno para la producción de hidrógeno verde. Este trabajo también se publicó en Nature Communications .
_______
Referencia:
“Diseño inverso de relaxores sin plomo guiado por aprendizaje automático mediante minería de literatura multimodal”, por Kwanwoo Song, Youngmin Kim, Jaehyun Kim, Byeong-Jae Min, Hyun-Cheol Song, Nayeon Kang, Jungho Ryu y Ho Won Jang, 15 de junio de 2026, Nature Communications .
Esta investigación fue financiada por el Consejo Nacional de Investigación en Ciencia y Tecnología (NST) y el Ministerio de Ciencia y TIC (MSIT) (GTL25021-230); la Fundación Nacional de Investigación de Corea (NRF) y el MSIT (RS-2024-00421181); el Programa InnoCORE del MSIT (1.250021.01); y el Programa de Desarrollo de Nanotecnología y Materiales de la NRF y el MSIT (RS-2024-00405016).
_______
Fuente:
