Ciência de Dados de Materiais aplicada à Diodos Emissores de Luz Ultravioleta
Ciência de Dados de Materiais (MDS) é uma área interdisciplinar e multidisciplinar que visa utilizar técnicas tradicionalmente ligadas a Ciência da Computação para a Ciência de Materiais. Definimos tal área através da junção da Informática de Materiais e da área de Materiais Computacionais com o campo da Inteligência Artificial. O objetivo é congregar métodos computacionais que permitam simular, gerar, descrever e predizer novos materiais e propriedades, aprimorando o conhecimento sobre esses sistemas físicos e acelerando o processo de produção de tecnologias baseadas em materiais. Diodos emissores de luz (LEDs), por sua vez, são dispositivos eletrônicos construídos com materiais semicondutores. Particularmente, para se alcançar emissões no espectro do ultravioleta (UV) nestes dispositivos, são empregados materiais de gap ultralargo (UWBG), isto é, com gap de energia maior do que 3.2 eV. Apesar de LEDs emissores no UV já existirem, as eficiências físicas e seu custo ainda são elevados, especialmente em se tratando de emissões no UVC (comprimento de onda entre 280nm e 100nm). O objetivo deste trabalho, portanto, foi o desenvolvimento e aplicação de técnicas de MDS visando a descoberta e síntese de materiais UWGB promissores para a construção de LEDs UVC. Para tanto, foram empregadas técnicas de simulação de materiais, como aquelas baseadas em Teoria do Funcional da Densidade (DFT), utilizadas em alta vazão (HT); técnicas de mineração de dados, como screening em bases de dados; e técnicas de inteligência artificial, especialmente aquelas denominadas de aprendizado de máquina (ML). Os resultados preliminares indicaram um mineral de gap ultralargo, a Jakobssonita, formula química CaAlF5, uma perovskita cujos octaedros AlF são conectados apenas pelos cantos, formando cadeias unidimensionais (1D). Aplicando técnicas de aumento de dados, expandimos a família desse material através de substituições atômicas por similaridade química. Estes novos materiais foram estudados usando DFT-HT e modelos heurísticos, como modelos ML de predição de propriedades e aceleração de simulações.