Las computadoras ocupaban habitaciones enteras. Hoy dia, una computadora portátil de dos libras puede deslizarse sin esfuerzo en una mochila. Pero eso no hubiera sido posible sin la creación de nuevos procesadores más pequeños, que solo son posibles con la innovación de nuevos materiales.

Pero, ¿cómo inventan realmente los científicos de materiales nuevos materiales? A través de la experimentación, explica Sanket Deshmukh, un profesor asistente en el departamento de ingeniería química cuyo equipo de investigación computacional recientemente publicada podría mejorar enormemente la eficiencia y el ahorro de costos del proceso de diseño de materiales.

El laboratorio de Deshmukh, el laboratorio de Diseño Computacional de Materiales Híbridos, se dedica a comprender y simular las formas en que las moléculas se mueven e interactúan, lo que es crucial para crear un nuevo material.

En años recientes, aprendizaje automático, un poderoso subconjunto de inteligencia artificial, ha sido empleado por científicos de materiales para acelerar el descubrimiento de nuevos materiales a través de simulaciones por computadora. Deshmukh y su equipo han publicado recientemente una investigación en el Revista de letras de química física demostrando un marco de aprendizaje automático novedoso que entrena "sobre la marcha, "lo que significa que procesa datos instantáneamente y aprende de ellos para acelerar el desarrollo de modelos computacionales.

Tradicionalmente, el desarrollo de modelos computacionales "se lleva a cabo manualmente mediante un enfoque de prueba y error, que es muy caro e ineficiente, y es una tarea que requiere mucha mano de obra, "Deshmukh explicó.

"Este marco novedoso no solo utiliza el aprendizaje automático de una manera única por primera vez, "Deshmukh dijo, "pero también acelera drásticamente el desarrollo de modelos computacionales precisos de materiales".

"Entrenamos el modelo de aprendizaje automático de forma 'inversa' mediante el uso de las propiedades de un modelo obtenido a partir de simulaciones de dinámica molecular como entrada para el modelo de aprendizaje automático, y el uso de los parámetros de entrada utilizados en las simulaciones de dinámica molecular como una salida para el modelo de aprendizaje automático, "dijo Karteek Bejagam, investigador postdoctoral en el laboratorio de Deshmukh y uno de los autores principales del estudio.

Este nuevo marco permite a los investigadores realizar la optimización de modelos computacionales, a una velocidad inusualmente más rápida, hasta que alcancen las propiedades deseadas de un nuevo material.

¿La mejor parte? Independientemente de la precisión de las predicciones de los modelos de aprendizaje automático, a medida que se prueban sobre la marcha, estos modelos no tienen un impacto negativo en la optimización del modelo, si es inexacto. "No puede doler, solo puede ayudar, "dijo Samrendra Singh, un académico visitante en el laboratorio de Deshmukh y otro autor del estudio.

"La belleza de este nuevo marco de aprendizaje automático es que es muy general, lo que significa que el modelo de aprendizaje automático se puede integrar con cualquier algoritmo de optimización y técnica computacional para acelerar el diseño de materiales, "Dijo Singh.

La publicación, dirigido por Bejagam y Singh y con la colaboración del Ph.D. en ingeniería química. estudiante yaxin an muestra el uso de este nuevo marco desarrollando los modelos de dos solventes como prueba de concepto.

El plan de laboratorio de Deshmukh se basa en la investigación mediante la utilización de este novedoso marco basado en el aprendizaje automático para desarrollar modelos de diversos materiales que tienen aplicaciones potenciales de biomedicina y energía.