Nanociencia Computacional
Embedded Files
Dinámica Molecular para análisis de interacción
Dinámica Molecular para análisis de interacción
Las interacciones moleculares a nanoescala o microescala se simulan utilizando rutinas de dinámica molecular. Un ejemplo es el estudio de cavidades dentro de carbono amorfo (a-C) nitrogenado (Ortiz-Medina, et al., NPG Asia Materials 8 (2016), e258), donde la agrupación de regiones de carbono pudo identificarse teóricamente, contribuyendo a explicar observaciones experimentales en membranas a base de carbono para aplicaciones de purificación de agua.
Machine Learning para predicción de imágenes STM
Machine Learning para predicción de imágenes STM
Estamos trabajando en el desarrollo de redes neuronales convolucionales profundas (DCNN) que pueden proporcionar una forma práctica de predecir imágenes STM, como una alternativa para las simulaciones STM basadas en DFT. Estos avances podrían ayudar a comprender y aplicar las potencialidades de las técnicas de ML a los materiales de ingeniería y los desarrollos de nanotecnología.
Los resultados que hemos obtenido hasta el momento fueron publicados en Computational Materials Science:
Machine-Learning driven STM images prediction of doped/defective graphene: Towards optimized tools for 2D nanomaterials characterization. R. Guerrero-Rivera, F. J. Godínez-Garcia, T. Hayashi, Z. Wang and J. Ortiz-Medina. Computational Materials Science (2024), Vol 242, 113076. https://doi.org/10.1016/j.commatsci.2024.113076.
Hemos puesto a disposición aquí la base de datos de imágenes STM simuladas usadas para el entrenamiento de nuestros modelos de DCNN.
Page updated
Report abuse