Tuesday , October 15 2019

Suscribete gratis a nuestro boletin semanal

VISIONA . DESARROLLADORES . CONECTADOS .

Suscribete nuestro boletin semanal

PATROCINADORES
Home / Diseño Analógico / Aplican Machine Learning para diseñar capacitores más potentes

Aplican Machine Learning para diseñar capacitores más potentes

Investigadores del Georgia Tech implementaron algoritmos de cómputo basados en ML para reducir los ciclos de análisis de los materiales para circuitos capacitores.

ElectronicosOnline.com Magazine / Oswaldo Barajas

El Machine Learning ha demostrado que no solo es una tecnología aplicada a la analítica de datos, tampoco como rama primordial de la IA para crear sistemas que aprenden por sí solos, pues también ya comienza a demostrar su eficacia en la creación de nuevos materiales para circuitos electrónicos de potencia como los capacitores.

   

Esto es lo que han realizado científicos del Georgia Tech, quienes implementaron ML para acelerar la fase de análisis y diseño de capacitores permitiendo que algoritmos específicamente confeccionados sean capaces de evaluar las condiciones de los materiales primarios, una labor que al decir de los expertos, toma tiempo debido a que se tienen que determinar diversos parámetros para establecer si son viables y eficientes.

Los académicos señalaron que dada su naturaleza, los capacitores son componentes muy delicados debido a sus altas cantidades de salida de energía y las velocidades de recarga de los mismos, y actualmente juegan un papel importante en el éxito de diversas tecnologías, como el diseño de las máquinas que ahora mismo están siendo diseñadas incluyendo plataformas eléctricas para vehículos y smartphones, por mencionar algunos.

Aunque estos dispositivos pasan desapercibidos a la mirada de la mayoría de los consumidores que solo ven los productos de forma externa, realmente los capacitores son componentes indispensables, pero tienen un gran problema, su capacidad de almacenamiento de energía es mucho menor que el de las baterías convencionales.

 

Analizar materiales alternos para el diseño de nuevos circuitos electrónicos como los capacitores resulta complejo y tardado, pero el nuevo método creado por los científicos del Georgia Tech, el cual utiliza ML acelera los ciclos de evaluación.
   

Por estas razones, los investigadores Anand Chandrasekaran y Rampi Ramprasad, profesores adscritos a la Escuela de Ingeniería y Ciencia de los Materiales del Georgia Tech, se han dedicado en los últimos años a detectar nuevos materiales primarios que ayuden a que los capacitores puedan retener más energía en los formatos dimensiones que actualmente poseen, algo que sin duda traería muchas oportunidades de innovación para diversos sectores industriales.

Entre las opciones que decidieron estos académicos utilizar, se encuentra la aplicación de Machine Learning para encontrar en última instancia formas de construir capacitores más capaces, y su trabajo ha dado frutos. Los resultados de sus avances en este campo fueron destacados en el Journal de Materiales Computacionales patrocinado por la unidad de Investigación Naval del gobierno de Estados Unidos.

- PUBLICIDAD -

El artículo científico describe su método, el cual tiene como objetivo enseñar a una computadora que utilice algoritmos de aprendizaje automático para analizar a niveles atómicos dos de los principales materiales que poseen los capacitores: aluminio y polietileno. Esta computadora pues, deberá reconocer las propiedades de la estructura electrónica de estos materiales para detectar posibles defectos que causen el detrimento de su rendimiento.

“La industria electrónica desea saber las propiedades eléctricas y la estructura de todos los materiales que ellos utilizan para fabricar dispositivos, incluyendo circuitos como capacitores”, comentó Rampi Rampreasad.

Este investigador explicó que específicamente el polietileno es un material muy aislante y gran intervalo de banda, además, con un rango de energía prohibida para portadores de carga eléctrica, una propiedad intrínseca a estos componentes.

Rampi añadió que si este material llega a tener defectos, los portadores de cargas indeseadas pueden invadir el intervalo de banda y reducir su eficiencia, pero la detección de estas imperfecciones o partículas indeseadas se vuelven difíciles de detectar.

 

Anand Chandrasekaran (izquierda) y Rampi Ramprasad, profesores responsables de esta nueva técnica.
 

“A fin de comprender donde están esos defectos y que papeles juegan, necesitamos procesar computacionalmente toda la estructura atómica, algo que hasta ahora es extremadamente complejo. Los actuales métodos para analizar esos materiales utilizando mecánica cuántica son muy lentos y limitan la cantidad de análisis que puede aplicarse en un tiempo específico”, subrayó Ramprasad.

La técnica conseguida por los académicos del Georgia Tech implementando ML, ayuda a crear ciclos de simulación más precisos y en menor tiempo, lo que permite ahorrar tiempo en la investigación de nuevos materiales para el sector de sistemas electrónicos de potencia.

- PUBLICIDAD -

Revisa también ...

NXP apuesta por nueva generación de Interfaces Hombre-Máquina

NXP Semiconductor ha decidido dar paso a una nueva gama de interfaces de control digital …

Leave a Reply

Your email address will not be published.