• Francisco Muñoz, académico del Departamento de Física de la Facultad de Ciencias de la Universidad de Chile actualizó sistema computacional creado por él hace 11 años en Alemania y que es el más importante de su tipo en este campo.
La ciencia de materiales busca comprender la estructura y propiedades de los materiales a nivel atómico, molecular y macroscópico, impulsando el desarrollo de técnicas de fabricación para crear materiales con características específicas, incluso explorando aspectos cuánticos para crear materiales más avanzados. Este campo desempeña un papel importante en la innovación tecnológica y el desarrollo sostenible al permitir la creación de materiales más eficientes, livianos y respetuosos con el medio ambiente.
Francisco Muñoz, académico del Departamento de Física de la Facultad de Ciencias de la Universidad de Chile acaba de realizar un avance crucial en este campo. Junto a un equipo de físicos internacionales realizó la más reciente actualización del sistema Pyprocar: actualmente la mejor herramienta para analizar y visualizar cálculos masivos realizados mediante la Teoría Funcional de la Densidad (DFT), que es esencial para estudiar materiales reales.
Pyprocar fue desarrollada hace 11 años por el propio doctor Muñoz cuando realizó su postdoctorado en el Instituto Max Planck, Alemania, junto al Dr. Aldo Romero. Ambos ahora actualizan esta herramienta en un estudio publicado en la revista Computer Physics Communications este mes, junto a investigadores de las universidades de West Virginia (EE.UU.), Duke (EE.UU.), Liege (Béliga) y de Chile. Destaca en este último centro Nicolás Vásquez, quien era estudiante de pregrado en el DFC-UChile cuando participó en esta investigación y que actualmente participa en el programa de magíster.
Avance significativo
La Teoría Funcional de la Densidad (DFT) es fundamental en la investigación de materiales a nivel atómico, siendo la herramienta más poderosa para calcular materiales reales. “El Nobel de Química de 1998 fue dado a Walter Kohn y John Pople por el desarrollo de esta teoría y las herramientas para usarla de forma práctica”, explica Francisco Muñoz.
Diversos programas se utilizan para realizar cálculos con DFT, pero el análisis de los datos generados era un desafío no cubierto hasta que PyProcar proporcionó soluciones completas de pre y postprocesamiento. “PyProcar es una herramienta computacional que transforma una cantidad masiva de datos generados por DFT en gráficos y figuras que orienten a los científicos sobre las características y propiedades de un material. Actualmente es la mejor herramienta para analizar los resultados de DFT, especialmente para un tipo novedoso de materiales, los materiales cuánticos “, explica el académico.
La reciente actualización de PyProcar, detallada en la revista Computer Physics Communications, incluye mejoras como una reestructuración modular, un marco de pruebas robusto y funciones avanzadas que enriquecen las capacidades analíticas del sistema. “Tal vez lo más relevante de la actualización es la capacidad de aplicar herramientas de machine learning y otras similares para predecir qué es lo interesante de un material, sin intervención humana. Esto puede acelerar mucho el proceso de búsqueda de nuevas propiedades y reducir el número de errores del proceso. Además, es compatible con la mayoría de los códigos que implementan DFT, y permite automatizar el trabajo, al usarlo como una librería computacional. Así, el o la científica se puede enfocar en hacer ciencia y comprobar sus predicciones”, resume el doctor Muñoz.
Impacto para la ciencia
¿Qué información se puede obtener gracias a PyProcar? “Por ejemplo, sirve para predecir un tipo exótico de materiales, los llamados “Fermiones de Weyl” donde los electrones se comportan como si viajaran a la velocidad de la luz. También se puede estudiar qué causa la superconductividad en ciertos sistemas, o si un material es magnético, entre otras aplicaciones”, señala Muñoz.
En el ámbito científico facilita comprender propiedades y comportamientos de materiales, contribuyendo al avance del conocimiento. “Creo que va a repercutir en acelerar la producción de trabajo científico, permitiendo hacer ciencia y no gastar tiempo en detalles computacionales. Nosotros decidimos hacer de PyProcar un código libre, es decir, no esperamos tener un beneficio monetario o de colaboraciones. Dicho lo anterior, aunque no es obligación, muchos científicos que usan PyProcar han citado nuestro primer artículo, que ya acumula más de 200 citas a la fecha”, dice.
Revisa el paper aquí:
https://www.sciencedirect.com/science/article/abs/pii/S0010465523004083
Computer Physics Communications, abril 2024
