El machine learning se está convirtiendo en una tecnología realmente disruptiva que va a revolucionar muchos sectores. La iluminación no se en cuenta al margen de estos cambios y así ya hemos contado cómo diferentes investigaciones han utilizado herramientas computacionales y de minería de datos para descubrir nuevos tipos de fósforos para su utilización en la fabricación de LEDs. Ahora, Investigadores de la Universidad de Houston han ideado un nuevo algoritmo de machine learning que es lo suficientemente eficiente como para ejecutarse en un ordenador personal y predice las propiedades de más de 100.000 compuestos en busca del fósforo más eficiente para su utilización en la iluminación LED.

El resultado conseguido es la sintetización y prueba de uno de los compuestos predichos por el algoritmo, el sodio-bario-borato, determinando que ofrece un 95% de eficiencia y una extraordinaria estabilidad térmica . Jakoah Brgoch, profesor asistente de química, junto con el resto de miembros del laboratorio de la Universidad de Houston, describen el estudio en un artículo publicado el 22 de Octubre en la revista científica “Nature Communications”.

Machine learning y obtención de  fósforo de alto rendimiento.

Los productos de iluminación basados en LED funcionan utilizando el fósforo para conseguir una luz blanca y estos emplean pequeñas cantidades de elementos de “Tierras Raras”, generalmente europio o cerio, dentro de un “huésped” cerámico u óxido. La interacción entre los dos materiales determina el rendimiento.

Para la obtención de materiales fosfóricos cada vez más eficientes es necesario realizar procesos de pruebas y error, con reglas empíricas simples, que lleva mucho tiempo para evaluar cada material. Los investigadores utilizaron el machine learning para escanear de forma rápida una gran cantidad de compuestos en busca de atributos claves, como la temperatura de Debye y la compatibilidad química. Brgoch demostró previamente que la temperatura de Debye se correlaciona con la eficiencia.

El proyecto comenzó con una lista de 118,287 posibles compuestos de fósforo inorgánico de la Base de Datos de Pearson’s Crystal (base de datos cristalográfica de materiales inorgánicos publicada por ASM International). Aplicando directamente el algoritmo se redujo la lista a un poco más de 2.000. Otros 30 segundos, se había generado una lista de aproximadamente dos docenas de prometedores materiales.

Una vez identificado los materiales recomendados por el algoritmo como buenos candidatos, como el boro de sodio y bario, los investigadores realizaron la síntesis y crearon el compuesto. El resultado es un material estable, con un rendimiento o eficacia cuántica del 95%. Hay que tener en cuenta que la principal limitación del fósforo es su eficiencia cuántica (como de eficiente convierte la luz incidente en luz de diferentes colores), que es aproximadamente de un 30%.

El problema principal con que los investigadores se han encontrado es que este material fosfórico produce una luz demasiada azul para ser comercialmente utilizable. Sin embargo, esto no ha sido desalentador, “Ahora podemos usar las herramientas de aprendizaje automático para encontrar un material luminiscente que emita en una longitud de onda que sea útil. Nuestro objetivo es hacer que las LEDs no solo sean más eficientes, sino que también mejoren la calidad de reproducción de color, al tiempo que se reducen los costes” concluye Brgoch.

Eficiencia más calidad de color

Otro estudio desarrollado por ingenieros de la Universidad de California en San Diego, también utilizaron el machine learning para el descubrimiento y desarrollo de un nuevo fósforo que les ha permitido desarrollar LEDs con índices de reproducción cromática superior a 90.

El nuevo material, compuesto principalmente de elementos comunes y abundantes en la tierra (estroncio, litio, aluminio y oxígeno), presenta importantes ventajas que permiten la producción de LEDS de forma fácil y con una reproducción de los colores más vívida y precisa.

Estos trabajos e investigaciones están demostrando como el machine learning y la computación está acelerando de forma drástica el proceso de descubrimiento de nuevos materiales con un potencial transformador

Créditos Imágen portada: David Baillot/UC San Diego Jacobs School of Engineering