Científicos de la Universidad de Carolina del Norte en Chapel Hill y la Universidad de Duke han creado el primer método de propósito general para usar el aprendizaje automático para predecir las propiedades de nuevos metales. cerámica y otros materiales cristalinos y para encontrar nuevos usos para los materiales existentes, un descubrimiento que podría ahorrar incontables horas desperdiciadas en el proceso de prueba y error de crear nuevos y mejores materiales.
Investigadores dirigidos por Olexandr Isayev, Doctor., y Alexander Tropsha, Doctor., en la Facultad de Farmacia UNC Eshelman usó datos sobre aproximadamente 60, 000 materiales únicos de la base de datos de estructuras de cristal inorgánico del Instituto Nacional de Estándares y Tecnología para crear una nueva metodología que denominan Fragmentos de materiales etiquetados con propiedades.
Usar el aprendizaje automático para analizar y modelar estructuras cristalinas existentes, el método PLMF es capaz de predecir las propiedades de nuevos materiales propuestos por científicos e ingenieros. La herramienta incluso pudo completar los valores faltantes para las propiedades de los materiales en la base de datos del NIST que nunca se habían probado experimentalmente.
"La tecnología suele estar impulsada por el descubrimiento de nuevos materiales, pero el proceso de descubrimiento de estos materiales siempre ha sido bastante azaroso, Tropsha dijo. “Nuestra nueva herramienta aplica el enfoque basado en datos y conocimiento que usamos en las ciencias farmacéuticas para diseñar medicamentos. Debido a que la creación de nuevos materiales requiere una cantidad increíble de tiempo y esfuerzo que a menudo termina en desilusión, nuestra herramienta PLMF permite a los científicos de materiales probar una nueva idea incluso antes de mover un dedo para sintetizarla ".
Tropsha es el K.H. Lee Profesor Distinguido de la Escuela y director del Laboratorio de Modelado Molecular. Isayev es profesor asistente de investigación. Su trabajo fue publicado en Comunicaciones de la naturaleza , y la herramienta PLMF está disponible públicamente como una aplicación web fácil de usar en http://aflow.org/aflow-ml.
El método PLMF funciona creando "huellas dactilares" a partir de la estructura de los cristales que comprenden las unidades más pequeñas de materiales inorgánicos como la cerámica, metales y aleaciones de metales. La combinación de las huellas dactilares con el aprendizaje automático permitió la creación de modelos universales capaces de predecir con precisión ocho propiedades electrónicas y termomecánicas críticas de prácticamente cualquier material cristalino inorgánico. Las propiedades incluyen conductividad, rigidez y compresibilidad, transferencia de calor y respuesta al cambio de temperatura, y el equipo planea incorporar más propiedades a medida que recopilan más datos, Dijo Isayev.
"En muchos proyectos prácticos, las personas conocen el rango de valores que quieren para una propiedad en particular, ", Dijo Isayev." Podemos aprovechar lo que sabemos sobre estos materiales y el aprendizaje automático inteligente para seleccionar rápidamente los materiales potenciales para la propiedad correcta. Los investigadores pueden limitar rápidamente los materiales candidatos y evitar muchos cálculos extraños y complejos. Esto ahorra dinero tiempo y recursos computacionales ".
En la primera aplicación práctica para el aprendizaje automático, el equipo trabajó con el profesor asistente Jim Cahoon, Doctor., en el Departamento de Química de la UNC para diseñar un nuevo material de electrodo para un tipo de células solares de bajo costo. El óxido de níquel utilizado actualmente, no es muy eficiente, tóxico y requiere disolventes orgánicos para trabajar en la célula.
Los científicos examinaron virtualmente 50, 000 compuestos inorgánicos conocidos e identificaron al titanato de plomo como el material más prometedor y las pruebas posteriores lo confirmaron. Los dispositivos que utilizan titanato de plomo exhibieron el mejor rendimiento en solución acuosa, permitiendo un cambio de los solventes a una solución a base de agua que podría ayudar a reducir los costos y al mismo tiempo ser más amigable con el medio ambiente.
"El titanato de plomo probablemente no habría sido la primera opción de la mayoría de los científicos de materiales porque su estructura es muy diferente al óxido de níquel, "Isayev dijo." Materiales derivados del hierro, es más probable que se consideren el cobalto o el cobre porque son químicamente más similares al níquel. El PLMF y el aprendizaje automático encontraron soluciones simples y novedosas que ahorraron incontables horas de búsqueda de prueba y error ".
