CIÊNCIA DE DADOS DE MATERIAIS APLICADA À DESCOBERTA DE SEMICONDUTORES
Ciência de Dados de Materiais é definida pela intersecção entre a Informática de Materiais e a Simulação Computacional de Materiais, visando a aplicação de técnicas de Inteligência Artificial e Aprendizado de Máquina para a Ciência de Materiais. Um dos seus principais objetivos é fornecer um paradigma para o design inverso de materiais, aprimorando a descoberta de novos compostos. Nesta tese utilizamos este tipo de metodologia na busca por materiais que tenham um gap de energia grande, objetivando a descoberta de potenciais candidatos para LEDs que emitam na região do ultravioleta. O potencial desta metodologia é demonstrado através de uma abordagem hierárquica de metodologias em diferentes cenários: no primeiro foi usada a abordagem convencional de experimentos e simulações tilizando a Teoria do Funcional da Densidade (DFT) para estudar perovskitas híbridas pseudo-2D do tipo Dion-Jacobson; no segundo, foram realizados cálculos high throughput DFT para estudar uma nova família de compostos perovkistas pseudo-1D obtidos através de substituição química na estrutura protótipo da jakobssonita, um mineral vulcânico de composição CaAlF5; no terceiro, gerou-se compostos binários usando combinações químicas com a subsequente exploração desse espaço por modelos de aprendizado de máquina treinados com features atômicas para selecionar semicondutores estáveis. Esses estudos correspondem a uma gradativa mudança de paradigma, com cerca de 5 variações de materiais no primeiro caso, cerca de 3 mil materiais no segundo, e mais de 1 milhão no terceiro. Os resultados desta tese demonstram o poder da metodologia proposta, abrindo novas fronteiras para o desenvolvimento de materiais com propriedades específicas.