Sapere Scienza

Sapere Scienza

Machine learning per trovare più facilmente materiali per i LED

2 Novembre 2018

Nel campo delle scienze applicate si procede spesso per tentativi ed errori: è così, per esempio, che si sperimentano e si trovano i giusti materiali per la realizzazione di determinate tecnologie. Ciò succedeva anche per i LED ma i ricercatori della University of Houston hanno ideato un particolare algoritmo: è abbastanza efficiente da poter girare su un comune personal computer e predire le proprietà di più di 100.000 composti per poter trovare il migliore per la produzione di fosfòri per questo tipo di illuminazione.

 

Chimica e informatica per costruire LED
 

I LED (Light Emitting Diodes – Diodi a Emissione di Luce) sono dei semiconduttori che contengono una regione n (dove gli elettroni sono più numerosi delle cariche positive) separata da una regione p (in cui, viceversa, le cariche positive sono di più di quelle negative). Applicando una tensione, le cariche si muovono ed è prodotta l'emissione di radiazione - che può essere ultravioletta, visibile o infrarossa - ogni volta che avviene una ricombinazione di cariche. La lunghezza d'onda, il colore, della luce dipende dal materiale semiconduttore usato.
I LED bianchi sono composti da un chip LED blu rivestito di un fosfòro, un materiale che dà luogo a fenomeni di luminescenza conseguentemente a una opportuna eccitazione e che è in grado di convertire, proprio attraverso il fenomeno della fluorescenza, la luce blu in bianca. I fosfòri inorganici sono tra i componenti più importanti dei LED a luce bianca: hanno una struttura cristallina ospite (un ossido, un alogenuro o un nitruro) in cui si operano sostituzioni con terre rare (solitamente europio e cerio) che creano centri di luminescenza. La ricerca, pubblicata su Nature communications, si focalizza sulle proprietà del materiale che "ospita" le terre rare: gli studiosi sono riusciti a scansionare un elevato numero di composti con le giuste caratteristiche (quali la temperatura di Debye e la compatibilità chimica) sfruttando il machine learning, un insieme di metodi di analisi dati che automatizza la costruzione di modelli analitici. Questo ramo dell'intelligenza artificiale si basa sulla capacità dei sistemi di imparare dai dati, identificare modelli autonomamente e prendere decisioni con il minimo intervento dell'uomo.

 

banner articoli sapere2

 

Il machine learning per scegliere i composti migliori
 

La sperimentazione è partita da una lista di 118.287 possibili fosfòri, ricavati dal Pearson's Crystal Structure Database, un set di dati che contiene le strutture cristalline di un'estesa varietà di materiali e composti inorganici, informazione necessaria per poter prevedere le loro caratteristiche e il loro comportamento in vista del funzionamento all'interno di un LED. L'algoritmo ha "sfoltito" l'elenco arrivando inizialmente a 2000 composti per poi, dopo 30 secondi, produrre una lista di circa 24 candidati promettenti. Il laboratorio del team di ricerca che ha pubblicato questo lavoro si occupa di machine learning e previsioni ma anche di sintesi, quindi, dopo che l'algoritmo ha raccomandato loro il borato di sodio e bario (NaBaB9O15), è stato subito preparato per poterlo sperimentare.

 

I risultati: buona efficienza ma è necessario lavorare sui colori

 

Il borato di sodio e bario si è mostrato stabile, con un'efficienza del 95%, ma la luce emessa era troppo blu per essere commercializzata. Jakoah Brgoch, professore di chimica e autore del lavoro, ha commentato: "Ora possiamo utilizzare lo strumento del machine learning per trovare un materiale luminescente che emetta in una lunghezza d'onda che possa essere utile. Il nostro obiettivo non è solo produrre LED più efficienti ma anche migliorare la qualità del loro colore, il tutto riducendo i costi". Gli scienziati hanno comunque dimostrato che l'intelligenza artificiale può velocizzare sensibilmente il processo di scoperta di nuovi materiali.

 

Lontane dal concetto di machine learning ma molto utili per aiutarci nell'autocontrollo. Sono le "Le macchine anti-edonistiche" e ce ne parla Paolo Gallina nell'articolo pubblicato nel numero di Sapere di dicembre 2017.

copertina   settembre-ottobre 2018

  COMPRA IL NUMERO

 
  ABBONATI

 
  SOMMARIO

 
  EDITORIALE

bannerCnrXSapere 0

iscriviti copia

clark

Questo sito utilizza cookie, anche di terze parti, per migliorare la tua esperienza di navigazione. Se vuoi saperne di più consulta l'informativa estesa. Cliccando su ok acconsenti all'uso dei cookie.