Al buscar en listas teóricas de posibles nuevos materiales para aplicaciones particulares, como baterías u otros dispositivos relacionados con la energía, a menudo hay millones de materiales potenciales que podrían considerarse, y múltiples criterios que deben cumplirse y optimizarse a la vez. Ahora, Los investigadores del MIT han encontrado una manera de agilizar drásticamente el proceso de descubrimiento, utilizando un sistema de aprendizaje automático.

Como demostración, el equipo llegó a un conjunto de los ocho materiales más prometedores, de casi 3 millones de candidatos, para un sistema de almacenamiento de energía llamado batería de flujo. Este proceso de selección habría tardado 50 años con métodos analíticos convencionales, ellos dicen, pero lo lograron en cinco semanas.

Los hallazgos se informan en la revista. Ciencia Central ACS , en un artículo de la profesora de ingeniería química del MIT Heather Kulik, Jon Paul Janet Ph.D. '19, Sahasrajit Ramesh, y el estudiante de posgrado Chenru Duan.

El estudio analizó un conjunto de materiales llamados complejos de metales de transición. Estos pueden existir en una gran cantidad de formas diferentes, y Kulik dice que "son realmente fascinantes, materiales funcionales que se diferencian de muchas otras fases del material. La única forma de entender por qué funcionan de la forma en que lo hacen es estudiarlos utilizando la mecánica cuántica ".

Para predecir las propiedades de cualquiera de los millones de estos materiales se requeriría espectroscopia y otros trabajos de laboratorio que consumen mucho tiempo y recursos. o requiere mucho tiempo, Modelado por computadora altamente complejo basado en la física para cada posible material candidato o combinación de materiales. Cada uno de estos estudios podría consumir horas o días de trabajo.

En lugar de, Kulik y su equipo tomaron una pequeña cantidad de diferentes materiales posibles y los usaron para enseñar a una red neuronal avanzada de aprendizaje automático sobre la relación entre las composiciones químicas de los materiales y sus propiedades físicas. Luego, ese conocimiento se aplicó para generar sugerencias para la próxima generación de posibles materiales que se utilizarán para la próxima ronda de entrenamiento de la red neuronal. A través de cuatro iteraciones sucesivas de este proceso, la red neuronal mejoró significativamente cada vez, hasta llegar a un punto en el que estaba claro que más iteraciones no producirían más mejoras.

Este sistema de optimización iterativo agilizó en gran medida el proceso de llegar a soluciones potenciales que satisfagan los dos criterios en conflicto que se buscan. Este tipo de proceso de encontrar las mejores soluciones en situaciones, donde mejorar un factor tiende a empeorar el otro, se conoce como un frente de Pareto, representando un gráfico de los puntos de modo que cualquier mejora adicional de un factor empeoraría el otro. En otras palabras, el gráfico representa los mejores puntos de compromiso posibles, dependiendo de la importancia relativa asignada a cada factor.

El entrenamiento de redes neuronales típicas requiere conjuntos de datos muy grandes, que van desde miles a millones de ejemplos, pero Kulik y su equipo pudieron utilizar este proceso iterativo, basado en el modelo de frente de Pareto, para agilizar el proceso y proporcionar resultados fiables utilizando solo unos pocos cientos de muestras.

En el caso de cribado de los materiales de la batería de flujo, las características deseadas estaban en conflicto, como suele ser el caso:el material óptimo tendría una alta solubilidad y una alta densidad de energía (la capacidad de almacenar energía para un peso dado). Pero el aumento de la solubilidad tiende a disminuir la densidad de energía, y viceversa.

La red neuronal no solo pudo encontrar rápidamente candidatos prometedores, también pudo asignar niveles de confianza a sus diferentes predicciones a través de cada iteración, lo que ayudó a permitir el refinamiento de la selección de la muestra en cada paso. "Desarrollamos una técnica de cuantificación de la incertidumbre mejor que la mejor en su clase para saber realmente cuándo fallarían estos modelos, "Dice Kulik.

El desafío que eligieron para la prueba de concepto fueron los materiales para su uso en baterías de flujo redox, un tipo de batería que promete grandes baterías a escala de red que podrían desempeñar un papel importante para permitir energía renovable. Los complejos de metales de transición son la categoría preferida de materiales para tales baterías, Kulik dice:pero hay demasiadas posibilidades de evaluar por medios convencionales. Comenzaron con una lista de 3 millones de complejos de este tipo antes de finalmente reducirla a los ocho buenos candidatos, junto con un conjunto de reglas de diseño que deberían permitir a los experimentadores explorar el potencial de estos candidatos y sus variaciones.

"A través de ese proceso, la red neuronal se vuelve cada vez más inteligente sobre el espacio [de diseño], pero también cada vez más pesimista de que cualquier cosa más allá de lo que ya hemos caracterizado puede mejorar aún más lo que ya sabemos, " ella dice.

Aparte de los complejos de metales de transición específicos sugeridos para una mayor investigación utilizando este sistema, ella dice, el método en sí podría tener aplicaciones mucho más amplias. "Lo vemos como el marco que se puede aplicar a cualquier desafío de diseño de materiales en el que realmente esté tratando de abordar múltiples objetivos a la vez. Todos los desafíos de diseño de materiales más interesantes son aquellos en los que tienes algo que estás tratando de mejorar, pero mejorando eso empeora otro. Y para nosotros la pareja redox de la batería de flujo redox fue solo una buena demostración de hacia dónde creemos que podemos llegar con este aprendizaje automático y descubrimiento de materiales acelerado ".

Por ejemplo, optimizar catalizadores para diversos procesos químicos e industriales es otro tipo de búsqueda de materiales tan complejos, Dice Kulik. Los catalizadores usados ​​actualmente a menudo involucran elementos raros y costosos, por lo que encontrar compuestos igualmente eficaces basados ​​en materiales abundantes y económicos podría ser una ventaja significativa.

"Este documento representa, Yo creo, la primera aplicación de la mejora dirigida multidimensional en las ciencias químicas, ", dice. Pero la importancia a largo plazo del trabajo está en la metodología en sí, debido a cosas que de otra manera no serían posibles en absoluto. "Empiezas a darte cuenta de que incluso con cálculos en paralelo, estos son casos en los que no se nos habría ocurrido un principio de diseño de ninguna otra manera. Y estas pistas que salen de nuestro trabajo, estas no son necesariamente en absoluto ideas que ya se conocían de la literatura o que un experto hubiera podido indicarle ".

"Esta es una hermosa combinación de conceptos en estadística, matemáticas Aplicadas, y ciencia física que será extremadamente útil en aplicaciones de ingeniería, "dice George Schatz, profesor de química y de ingeniería química y biológica en la Universidad Northwestern, que no estaba asociado con este trabajo. Dice que esta investigación aborda "cómo hacer aprendizaje automático cuando hay múltiples objetivos. El enfoque de Kulik utiliza métodos de vanguardia para entrenar una red neuronal artificial que se usa para predecir qué combinación de iones de metales de transición y ligandos orgánicos será mejor para la batería de flujo redox electrolitos ".

Schatz dice:"This method can be used in many different contexts, so it has the potential to transform machine learning, which is a major activity around the world."

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.