Investigadores han desarrollado un marco de aprendizaje profundo que acelera significativamente la predicción de estructuras estables en grafeno bilámina intercalado con iones de litio. Este avance es crucial para el diseño de materiales de almacenamiento de energía, como las baterías de iones de litio, donde la estabilidad y la configuración de los iones intercalados son determinantes para el rendimiento. El método tradicional, basado en la teoría funcional de la densidad (DFT), es computacionalmente intensivo, lo que limita la exploración de grandes espacios de configuración y la identificación de fases estables.

El nuevo marco, denominado Graph-based Active Learning for Intercalation Structures (GALOIS), combina un modelo de aprendizaje automático basado en grafos con un muestreo activo eficiente. GALOIS utiliza un potencial de campo de fuerza neuronal entrenado con un conjunto de datos pequeño y cuidadosamente seleccionado de cálculos DFT. A diferencia de enfoques anteriores, GALOIS se centra en la incertidumbre del modelo para guiar la selección de nuevas configuraciones a simular con DFT, lo que permite una exploración más dirigida y reduce drásticamente el número de cálculos ab initio necesarios. Esto se traduce en una mayor eficiencia computacional sin sacrificar la precisión.

Mediante este enfoque, los investigadores lograron identificar nuevas fases estables de grafeno bilámina intercalado con litio a diferentes concentraciones, incluyendo configuraciones que no habían sido predichas previamente. La capacidad de predecir de forma rápida y fiable estas estructuras estables es fundamental para comprender los mecanismos de intercalación y desintercalación, así como para optimizar la capacidad y la vida útil de los dispositivos. Este método representa un paso adelante en la aplicación de la inteligencia artificial para la ciencia de materiales, ofreciendo una herramienta potente para el descubrimiento de nuevos materiales con propiedades mejoradas.