{"id":1001,"date":"2024-04-04T12:27:24","date_gmt":"2024-04-04T15:27:24","guid":{"rendered":"https:\/\/dfc.uchile.cl\/inicio\/?p=1001"},"modified":"2024-04-04T15:37:02","modified_gmt":"2024-04-04T18:37:02","slug":"academico-dfc-uchile-mejora-herramienta-crucial-para-la-ciencia-de-materiales","status":"publish","type":"post","link":"https:\/\/dfc.uchile.cl\/inicio\/academico-dfc-uchile-mejora-herramienta-crucial-para-la-ciencia-de-materiales\/","title":{"rendered":"Acad\u00e9mico DFC-UChile mejora herramienta crucial para la ciencia de materiales"},"content":{"rendered":"

\u2022 Francisco Mu\u00f1oz, acad\u00e9mico del Departamento de F\u00edsica de la Facultad de Ciencias de la Universidad de Chile actualiz\u00f3 sistema computacional creado por \u00e9l hace 11 a\u00f1os en Alemania y que es el m\u00e1s importante de su tipo en este campo.<\/strong><\/span><\/p>\n

\"\"La ciencia de materiales busca comprender la estructura y propiedades de los materiales a nivel at\u00f3mico, molecular y macrosc\u00f3pico, impulsando el desarrollo de t\u00e9cnicas de fabricaci\u00f3n para crear materiales con caracter\u00edsticas espec\u00edficas, incluso explorando aspectos cu\u00e1nticos para crear materiales m\u00e1s avanzados. Este campo desempe\u00f1a un papel importante en la innovaci\u00f3n tecnol\u00f3gica y el desarrollo sostenible al permitir la creaci\u00f3n de materiales m\u00e1s eficientes, livianos y respetuosos con el medio ambiente.
\nFrancisco Mu\u00f1oz, acad\u00e9mico del Departamento de F\u00edsica de la Facultad de Ciencias de la Universidad de Chile<\/strong> acaba de realizar un avance crucial en este campo. Junto a un equipo de f\u00edsicos internacionales realiz\u00f3 la m\u00e1s reciente actualizaci\u00f3n del sistema Pyproca<\/strong>r<\/span>: actualmente la mejor herramienta para analizar y visualizar c\u00e1lculos masivos realizados mediante la Teor\u00eda Funcional de la Densidad (DFT)<\/strong>, que es esencial para estudiar materiales reales.
\nPyprocar fue desarrollada hace 11 a\u00f1os por el propio doctor Mu\u00f1oz cuando realiz\u00f3 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<\/em> <\/strong>este mes, junto a investigadores de las universidades de West Virginia (EE.UU.), Duke (EE.UU.), Liege (B\u00e9liga) y de Chile. Destaca en este \u00faltimo centro Nicol\u00e1s V\u00e1squez, quien era estudiante de pregrado en el DFC-UChile cuando particip\u00f3 en esta investigaci\u00f3n y que actualmente participa en el programa de mag\u00edster.<\/p>\n

\"\"
Francisco Mu\u00f1oz<\/figcaption><\/figure>\n

Avance significativo<\/strong>
\nLa Teor\u00eda Funcional de la Densidad (DFT)<\/strong> es fundamental en la investigaci\u00f3n de materiales a nivel at\u00f3mico, siendo la herramienta m\u00e1s poderosa para calcular materiales reales. “El Nobel de Qu\u00edmica de 1998 fue dado a Walter Kohn y John Pople por el desarrollo de esta teor\u00eda y las herramientas para usarla de forma pr\u00e1ctica”, explica Francisco Mu\u00f1oz.
\nDiversos programas se utilizan para realizar c\u00e1lculos con DFT, pero el an\u00e1lisis de los datos generados era un desaf\u00edo no cubierto hasta que PyProcar proporcion\u00f3 soluciones completas de pre y postprocesamiento. “PyProcar es una herramienta computacional que transforma una cantidad masiva de datos generados por DFT en gr\u00e1ficos y figuras que orienten a los cient\u00edficos sobre las caracter\u00edsticas 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 cu\u00e1nticos<\/em><\/strong> “, explica el acad\u00e9mico.
\nLa reciente actualizaci\u00f3n de PyProcar, detallada en la revista Computer Physics Communications, incluye mejoras como una reestructuraci\u00f3n modular, un marco de pruebas robusto y funciones avanzadas que enriquecen las capacidades anal\u00edticas del sistema. “Tal vez lo m\u00e1s relevante de la actualizaci\u00f3n es la capacidad de aplicar herramientas de machine learning y otras similares para predecir qu\u00e9 es lo interesante de un material, sin intervenci\u00f3n humana. Esto puede acelerar mucho el proceso de b\u00fasqueda de nuevas propiedades y reducir el n\u00famero de errores del proceso. Adem\u00e1s, es compatible con la mayor\u00eda de los c\u00f3digos que implementan DFT, y permite automatizar el trabajo, al usarlo como una librer\u00eda computacional. As\u00ed, el o la cient\u00edfica se puede enfocar en hacer ciencia y comprobar sus predicciones\u201d, resume el doctor Mu\u00f1oz.<\/p>\n

\"\"Impacto para la ciencia<\/strong>
\n\u00bfQu\u00e9 informaci\u00f3n se puede obtener gracias a PyProcar? “Por ejemplo, sirve para predecir un tipo ex\u00f3tico de materiales, los llamados “Fermiones de Weyl” donde los electrones se comportan como si viajaran a la velocidad de la luz. Tambi\u00e9n se puede estudiar qu\u00e9 causa la superconductividad en ciertos sistemas, o si un material es magn\u00e9tico, entre otras aplicaciones”, se\u00f1ala Mu\u00f1oz.
\nEn el \u00e1mbito cient\u00edfico facilita comprender propiedades y comportamientos de materiales, contribuyendo al avance del conocimiento. “Creo que va a repercutir en acelerar la producci\u00f3n de trabajo cient\u00edfico, permitiendo hacer ciencia y no gastar tiempo en detalles computacionales. Nosotros decidimos hacer de PyProcar un c\u00f3digo libre, es decir, no esperamos tener un beneficio monetario o de colaboraciones. Dicho lo anterior, aunque no es obligaci\u00f3n, muchos cient\u00edficos que usan PyProcar han citado nuestro primer art\u00edculo, que ya acumula m\u00e1s de 200 citas a la fecha\u201d, dice.<\/p>\n

\"\"Revisa el paper aqu\u00ed: <\/strong>
\nhttps:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0010465523004083<\/a><\/strong>
\nComputer Physics Communications, abril 2024<\/strong><\/p>\n