Metodologias de machine learning aplicadas à descoberta de perovskitas magnetocalóricas

Abstract

A descoberta de novos materiais magnetocalóricos é fundamental para aprimorar a eficiência de dispositivos de refrigeração baseados nesse princípio. Neste estudo, foram criados dois bancos de dados diferentes a partir de dados publicados (com tamanho de cristalito e sem tamanho de cristalito), e quatro modelos de machine learning foram combinados com diferentes metodologias para obtenção e seleção de descritores, visando prever as principais propriedades magnetocalóricas de perovskitas (Tc, ME, RCP). A melhor combinação de modelos e conjuntos de características foi empregada para explorar o espaço químico de manganitas de lantânio, praseodímio e neodímio. Os resultados apontaram novas composições de manganitas de lantânio que podem competir com gadolínio em termos de RCP, mas ainda são inferiores em termos de entropia magnética máxima. Além disso, foi constatado que diferentes manganitas superam outras dependendo da faixa de temperatura. A robustez dos modelos e a importância e efeito do tamanho de cristalito também são discutidos. Os resultados e diretrizes desenvolvidos neste estudo podem ser estendidos a outras propriedades. Além de obter várias percepções para estudos futuros sobre esta família de materiais, pode-se inferir que este trabalho pode ajudar na implementação de machine learning aplicado em aplicações além do escopo dos materiais magnetocalóricos, como catalisadores e materiais para células solares.