Los materiales funcionales ópticos infrarrojos son esenciales para diversas aplicaciones en el ámbito de la optoelectrónica, incluyendo láseres, fotodetectores e imágenes infrarrojas. Estos materiales constituyen el pilar tecnológico de la optoelectrónica moderna. Tradicionalmente, el desarrollo de nuevos materiales infrarrojos ha estado basado en métodos experimentales de ensayo y error, que resultan ineficaces en un paisaje químico tan amplio, donde solo un número limitado de compuestos logra equilibrar varias propiedades críticas simultáneamente.
Con el objetivo de abordar este desafío, un grupo de investigadores del Instituto Técnico de Física y Química de Xinjiang, perteneciente a la Academia China de Ciencias, ha realizado avances significativos en el descubrimiento asistido por aprendizaje automático (ML) de materiales funcionales infrarrojos (IRFMs). Este equipo ha desarrollado un marco cohesivo que integra técnicas de ML interpretables para facilitar la síntesis dirigida de estos materiales.
Un avance en el diseño de materiales funcionales
El estudio, publicado en la revista Advanced Science, destaca cómo un análisis profundo e interpretable de su modelo permitió al equipo extraer conocimientos clave relacionados con el sistema de calcofenos. Utilizando esta información, implementaron un predictor de IRFM que guió de manera efectiva la síntesis experimental de nuevos materiales.
Este enfoque condujo al descubrimiento de una nueva familia de haluros de selenoborato: ABa3(BSe3)2X, donde A representa a Rb o Cs y X a Cl, Br o I. Estos compuestos exhiben un conjunto equilibrado de propiedades, que incluyen amplios bandgaps, una fuerte respuesta de generación de segundo armónico, birrefringencia moderada y altos umbrales de daño inducido por láser, lo que indica un gran potencial como IRFMs de alto rendimiento.
Además, el análisis de las relaciones estructura-propiedad reveló que la unidad [BSe3] contribuye significativamente a las excepcionales propiedades ópticas observadas, sugiriendo su potencial como un bloque de construcción activo para futuras exploraciones de IRFMs de alto rendimiento.
Este estudio supera las limitaciones de los métodos convencionales de ensayo y error, allanando el camino hacia un diseño de materiales cristalinos funcionales impulsado por IA.
Más información:
Yihan Yun et al, Synergistic Machine Learning Guided Discovery of ABa3(BSe3)2X (A = Rb, Cs; X = Cl, Br, I): A Promising Family as Property‐Balanced IR Functional Materials, Advanced Science (2025). DOI: 10.1002/advs.202417851
Proporcionado por la Academia China de Ciencias
