Investigadores han desarrollado un nuevo método basado en aprendizaje automático para calcular con precisión las energías de formación de vacantes de oxígeno en el dióxido de silicio (SiO₂) amorfo. Este avance es crucial porque las vacantes de oxígeno son defectos atómicos fundamentales que afectan las propiedades eléctricas y ópticas de este material omnipresente en la electrónica. El enfoque tradicional, basado en la teoría del funcional de la densidad (DFT), es computacionalmente muy costoso para sistemas amorfos grandes y complejos, lo que limita la comprensión de estos defectos.

El equipo ha entrenado un modelo de aprendizaje automático para predecir las energías de formación de vacantes utilizando una base de datos de cálculos DFT de alta fidelidad. Este modelo, denominado "Hamiltoniano de aprendizaje automático", permite simular sistemas mucho más grandes y con mayor diversidad estructural que los accesibles con DFT directo. La clave reside en su capacidad para capturar las complejas interacciones atómicas y las variaciones locales en la estructura amorfa, que son difíciles de modelar con métodos clásicos.

Los resultados muestran que el método de aprendizaje automático no solo reproduce con gran exactitud las energías de formación obtenidas por DFT para configuraciones conocidas, sino que también permite explorar un espacio de configuraciones mucho más amplio. Esto ha revelado una distribución de energías de formación de vacantes de oxígeno significativamente más amplia de lo que se pensaba, lo que tiene implicaciones directas para la estabilidad y funcionalidad de los dispositivos basados en SiO₂. La eficiencia computacional del nuevo método es órdenes de magnitud superior a la de DFT, abriendo la puerta a simulaciones a gran escala.

Este avance es fundamental para la ingeniería de materiales, ya que una comprensión detallada de los defectos en SiO₂ es esencial para optimizar la fabricación de transistores, memorias y otros componentes microelectrónicos. La capacidad de predecir con precisión cómo los defectos afectan las propiedades del material permitirá diseñar dispositivos con mayor rendimiento y fiabilidad. El siguiente paso incluye la aplicación de este método a otros tipos de defectos y materiales amorfos, así como la exploración de su impacto en las propiedades dinámicas de estos sistemas.