Aprendizado de máquina como metodologia de estudo em óxidos de alta entropia
Óxidos de alta entropia (HEOs) são uma classe emergente de materiais com diversas aplicações, por exemplo, conversão de energia e tecnologias de armazenamento, que ganharam interesse significativo devido à sua estrutura única, estequiometria complexa e efeito sinérgico relacionado à alta entropia. Apesar do crescente número de estudos relatados relacionados aos HEOs nos últimos anos, ainda faltam explicações sobre suas propriedades. No presente trabalho é proposta uma nova metodologia de estudo sobre a formação de soluções sólidas de HEOs baseada em aprendizado de máquina. Inicialmente dados de HEOs estáveis de fase única e suas composições foram minerados manualmente da literatura. Uma vez coletados os dados brutos a etapa de “feature engineering” foi realizada com base em descritores baseados em propriedades físicas, químicas e termodinâmicas dos átomos e dos óxidos que compõem o sistema. Foram então treinados quatro modelos de aprendizado de máquina, duas arquiteturas de redes neurais artificiais diretas (“Multi Layer Percepton” e “Extreme Learning Machine”) e duas arquiteturas de árvore de decisão (“Random Forest” e “Gradient Boosting”). Uma vez treinados os modelos, a próxima etapa realizada foi um estudo de análise combinatória de cátions. Finalmente, um estudo de síntese de materiais com a estrutura cristalina fluorita foi realizado e uma versão adaptada do método de síntese hidrotermal foi executada, mais que isso, a difração de raios-X foi utilizada nas amostras sintetizadas para verificar se a fase fluorita prevista pelos modelos foi alcançada. Os resultados teóricos obtidos foram modelos com acurácias próximas de 90% com intervalos de confiança com limite inferior próximos de 75%. Em relação à parte experimental, duas composições inéditas sugeridas pelos modelos como fluorita foram sintetizadas: (Ce,La,Nd,Mg,Zn)O e (Ce,La,Nd,Mg,Al)O. O padrão de difração de raios-X confirmou a fase fluorita em ambos os casos.