LINEA DI ATTIVITÀ
LA 1.12
Descrizione risultati raggiunti LA
È stato realizzato un software in linguaggio Python in grado di prevedere, tramite algoritmi di machine learning, la stabilità termodinamica e il band gap di una vasta gamma di materiali. Il sistema è stato validato su migliaia di casi, dimostrando un’accuratezza soddisfacente. In parallelo, per favorire l’integrazione con i dati sperimentali — uno degli obiettivi centrali del deliverable — sono state condotte simulazioni di chimica quantistica su materiali complessi, non facilmente trattabili con approcci ML, ottenuti nelle attività sperimentali delle linee LA1.13–LA1.15, con un focus specifico sui quantum dot core-shell (InAs@ZnSe).
Risultati attesi nel POA
Possibilità di utilizzare metodi di intelligenza artificiale (machine learning) per fare screening di nuovi materiali semiconduttori a basso costo computazionale (ovvero possibilità di includere milioni di materiali nello screening). Comprensione del funzionamento di nanomateriali complessi per l’assorbimento e l’emissione di luce
REFERENTE/I
Liberato Manna – Istituto Italiano di Tecnologia
Deliverable consegnati con questo LA
D1.13 – Rapporto tecnico: “Benchmark della piattaforma di machine learning su dati sperimentali e computazionali” .
Livello di innovazione
Il progetto introduce elementi di forte innovazione, tra cui lo sviluppo di un software di machine learning progettato specificamente per la predizione delle proprietà dei materiali semiconduttori. Un altro risultato rilevante è la realizzazione del primo modello computazionale realistico di nanocristalli core-shell del tipo InAs@ZnSe. Tale modello ha permesso di evidenziare, per la prima volta, la presenza di un interstrato chimicamente inaspettato costituito da indio, zinco, selenio e vacanze cationiche, offrendo nuove prospettive nella comprensione e progettazione di questi materiali complessi.
Disseminazione
G. Saleh, L. De Trizio, L. Manna, I. Infante «Atomistic structure and electronic properties of InAs@ZnSe core-shell nanoparticles» MatSus, Valencia, Spagna, Marzo 2023
G. Saleh «Atomistic modelling of quantum dots: core-shell and bismuth chalcohalide nanocrystals», Nanoinnovation, Roma, Settembre 2023
G. Saleh, L. Manna «A computational platform for the discovery of new chalcohalide and other semiconductor materials» Data-driven discovery in the chemical sciences Faraday Discussion, Oxford, UK, Settembre 2024
G. Saleh “Big data and machine learning in materials science: toward data-driven semiconductor design”, Invited seminar, CNR-ISM Tor Vergata, Italy, 16 aprile 2025 G. Saleh, L. De Trizio, L. Manna, I. Infante «Atomistic structure and electronic properties of InAs@ZnSe core-shell nanoparticles» MatSus, Valencia, Spagna, Marzo 2023
G. Saleh “Big data and machine learning in materials science: toward data-driven semiconductor design”, Invited seminar, CNR-ISM Tor Vergata, Italy, 16 aprile 2025
