Los principios físicos se pueden incorporar en una arquitectura de aprendizaje automático como una configuración fundamental para desarrollar inteligencia artificial para materiales inorgánicos. En un nuevo informe ahora en Avances de la ciencia , Huta R. Banjade, y un equipo de investigación en física, La informática y la ciencia de la información y la nanociencia en los EE. UU. y Bélgica propusieron motivos de estructura en cristales inorgánicos para servir como una entrada central para un marco de aprendizaje automático. El equipo demostró cómo la presencia de motivos estructurales y sus conexiones en un gran conjunto de compuestos cristalinos podrían convertirse en representaciones vectoriales únicas a través de un algoritmo de aprendizaje no supervisado. Lo lograron mediante la creación de un marco de aprendizaje centrado en el motivo mediante la combinación de la información del motivo con redes neuronales de gráficos basados ​​en átomos para formar una red de gráfico dual de motivo átomo (AMDNet). La configuración predijo con precisión la estructura electrónica de los óxidos metálicos, como bandgaps. El trabajo ilustra un método para diseñar arquitecturas gráficas de aprendizaje de redes neuronales para investigar materiales complejos más allá de las propiedades físicas de los átomos.

Métodos de AA

Los métodos de aprendizaje automático (ML) se pueden combinar con datos de materiales masivos para acelerar el descubrimiento y el diseño racional de compuestos funcionales de estado sólido. El aprendizaje supervisado puede conducir a predicciones de propiedades materiales, incluyendo estabilidad de fase y naturaleza cristalina, eficaz para simulaciones de dinámica de moléculas. Los motivos de estructura se pueden crear de acuerdo con la primera regla de Pauling, formando un poliedro coordinado de aniones alrededor de cada catión en un compuesto para comportarse como bloques de construcción fundamentales que están altamente correlacionados con las propiedades del material. Por ejemplo, los motivos estructurales en compuestos cristalinos pueden jugar un papel esencial para determinar las propiedades del material en diversas aplicaciones técnicas y científicas. En este trabajo, Banjade y col. incorporó información de motivo de estructura en un marco de aprendizaje automático (ML). Los científicos combinaron la información del motivo con redes neuronales convolucionales de gráficos para desarrollar una arquitectura de aprendizaje profundo centrada en motivos conocida como red de gráfico dual átomo-motivo (AMDNet). La precisión de la estructura superó la de una red de gráficos basada en átomos de última generación existente para predecir las estructuras electrónicas de materiales cristalinos inorgánicos.

Un algoritmo de aprendizaje no supervisado Atom2Vec puede comprender representaciones vectoriales de átomos de alta dimensión mediante la codificación de propiedades básicas de los átomos basándose en una extensa base de datos de fórmulas químicas. Banjade y col. enfocado en óxidos metálicos binarios y ternarios que constituyen un vasto y diverso espacio material donde las estructuras cristalinas se caracterizan a través de la coordinación catión-oxígeno. Para extraer la información del motivo de la estructura, el equipo utilizó el método de identificación del entorno local desarrollado por Waroquiers et al. implementado por el código Pymatgen. El equipo identificó tres tipos diferentes de conectividad entre un motivo y su motivo vecino; incluido el intercambio interno (un átomo compartido), intercambio de bordes (dos átomos compartidos), y cara compartida (tres o más átomos compartidos). Luego, los científicos propusieron un algoritmo de aprendizaje para aprovechar el proceso de recopilación de datos del motivo y convirtieron eficazmente cada fila de la matriz del entorno del motivo en un vector de alta dimensión para representar un motivo de estructura único. Luego extrajeron la información del motivo para el proceso de aprendizaje utilizando una red convolucional de gráficos. El equipo tuvo como objetivo identificar patrones e información de agrupamiento para estos vectores de motivos de alta dimensión para influir en las propiedades complejas de los materiales de los compuestos de óxido. Visualizaron los datos de alta dimensión utilizando la incrustación de vecinos estocásticos distribuidos en t (t-SNE), una técnica de reducción de dimensionalidad no lineal.

Uso de información de motivos en redes neuronales gráficas.

Los científicos obtuvieron datos de vectores de motivos proyectados en dos dimensiones utilizando el proceso t-SNE. Notaron distintos grupos basados ​​en los tipos de motivos. Las propiedades químicas de los elementos que forman los motivos jugaron un papel clave durante la formación de grupos. Por ejemplo, Los motivos basados ​​en lantánidos formaron diferentes grupos sobre la base del tipo de motivo y los motivos basados ​​en itrio permanecieron cerca de los motivos basados ​​en lantánidos debido a sus similitudes químicas. Los motivos asociados con el zinc y el magnesio también se agruparon. Los hallazgos basados ​​en el aprendizaje no supervisado apoyaron los motivos de la estructura para servir como entradas esenciales para los compuestos cristalinos que transportan información elemental y estructural. Luego, el equipo utilizó la información del motivo de la estructura como una entrada esencial para una red neuronal gráfica (GNN) para predecir las propiedades físicas de los materiales. La mayoría de las redes de gráficos se aplicaron a materiales cristalinos. Para habilitar una arquitectura de aprendizaje de representaciones gráficas de materiales a nivel de átomo y de motivo, Banjade y col. propuso que AMDNet podría construirse para mejorar el proceso de aprendizaje y mejorar la precisión de predicción de las propiedades de la estructura electrónica de los óxidos metálicos. En los gráficos de motivos, los investigadores codificaron información a nivel de átomo y a nivel de motivo en cada nodo y construyeron el gráfico de motivo, incluida la conectividad ampliada, ángulo, parámetros de distancia y orden utilizando el paquete Python robocrystallography.

AMDNet

En la arquitectura AMDNet propuesta, Banjade y col. incorporó información de motivos en un marco de aprendizaje de red de gráficos para generar gráficos de motivos y gráficos de átomos que representan compuestos con diferente cardinalidad de bordes y nodos para combinar la información antes de hacer predicciones. Para cada material, el equipo generó un gráfico de átomos y un gráfico de motivos. Luego usaron 22, 606 óxidos de metales binarios y ternarios de la base de datos del Proyecto de Materiales para probar la efectividad del modelo propuesto y se centró en la predicción de bandgaps, un problema complejo de estructura electrónica. Los resultados mostraron la superioridad de AMDNet durante la predicción de banda prohibida en comparación con las redes anteriores. El modelo también mostró un rendimiento superior durante una tarea de clasificación de metales frente a no metales. El trabajo mostró los esfuerzos iniciales para incorporar información material de alto nivel en modelos de aprendizaje profundo para materiales de estado sólido.

De este modo, Huta R. Banjade y sus colegas mostraron cómo los motivos estructurales en las estructuras cristalinas se pueden combinar con métodos de aprendizaje automático supervisados ​​y no supervisados ​​para mejorar la representación efectiva de los sistemas de materiales de estado sólido. Para estructuras electrónicas complejas, El equipo incluyó la estructura y la información de conexión de motivos en un modelo AMDNet para superar a las redes existentes y predecir los huecos de banda electrónicos y las tareas de clasificación de metales frente a no metales. Este marco de aprendizaje general se puede utilizar para predecir las propiedades de otros materiales, incluidas las propiedades mecánicas y del estado excitado en materiales bidimensionales y marcos organometálicos.

© 2021 Science X Network