Un equipo de investigación de ingeniería de Texas A&M está aprovechando el poder del aprendizaje automático, ciencia de datos y el dominio del conocimiento de los expertos para descubrir de forma autónoma nuevos materiales.

El equipo desarrolló y demostró un marco autónomo y eficiente capaz de explorar de manera óptima un espacio de diseño de materiales (el espacio de diseño de materiales es una abstracción del mundo concreto. Es el espacio de todos los materiales posibles bajo estudio, caracterizado por características materiales fundamentales).

Un sistema autónomo, o agente de inteligencia artificial (IA), se define como cualquier sistema capaz de construir una representación interna, o modelo, del problema de interés, y que luego usa el modelo para tomar decisiones y emprender acciones independientes de la participación humana.

Los autores de este trabajo interdisciplinario son la Dra. Anjana Talapatra y el Dr. Raymundo Arroyave del Departamento de Ciencia e Ingeniería de Materiales, y Shahin Boluki, Dr. Xiaoning Qian y Dr. Edward Dougherty del Departamento de Ingeniería Eléctrica e Informática.

Su marco autónomo es capaz de elegir de forma adaptativa los mejores modelos de aprendizaje automático para encontrar el material óptimo que se ajuste a cualquier criterio dado. Su investigación, financiado por la National Science Foundation y la Oficina de Investigación Científica de la Fuerza Aérea, Reducirá el tiempo y el costo invertidos en ir del laboratorio al mercado al garantizar la mayor eficiencia posible en la búsqueda del material adecuado.

La teoría matemática subyacente tiene muchas aplicaciones, incluso afectando al campo de la biomedicina. Por ejemplo, con su marco de diseño de experimentos y aprendizaje bayesiano, se puede modelar una enfermedad para descubrir factores de riesgo críticos para desarrollar terapias efectivas para pacientes específicos y reducir el costo de los ensayos clínicos en humanos.

"Los materiales avanzados son esenciales para la seguridad económica y el bienestar humano, con aplicaciones en industrias destinadas a abordar desafíos en energía limpia, seguridad nacional y bienestar humano, sin embargo, puede llevar 20 años o más mover un material al mercado después del descubrimiento inicial. — Iniciativa del genoma de materiales

El equipo quería probar el marco de forma exhaustiva, por lo que llevaron a cabo la demostración en una plataforma computacional de circuito cerrado, utilizando la mecánica cuántica para predecir las propiedades de las fases MAX, que son materiales prometedores para aplicaciones de alta temperatura, incluyendo nuevos revestimientos resistentes a la oxidación para álabes de turbinas de motores a reacción. El grupo Texas A&M también está aplicando el marco al descubrimiento de aleaciones con memoria de forma de alta temperatura que se pueden usar para construir vehículos aeroespaciales con alas morphing. por ejemplo.

Innovación autónoma

Antes se ha realizado una investigación significativa sobre técnicas eficientes de diseño de experimentos. Sin embargo, este equipo es el primero en utilizar una técnica basada en bayesianas (lo que significa que hacen un balance de todo lo que se sabe sobre un material / clase de material y aprovechan ese conocimiento para encontrar el mejor material) y lo emplean de manera autónoma, buscando continuamente no solo el siguiente mejor cálculo / experimento para ejecutar, sino también el mejor modelo para representar los datos adquiridos.

"La exploración acelerada del espacio de materiales para identificar configuraciones con propiedades óptimas es un desafío continuo, "dijo Talapatra, quien trabaja como científico computacional en el laboratorio de Materiales Computacionales de Arroyave. "Los paradigmas actuales se centran en la idea de realizar esta exploración a través de la experimentación y / o computación de alto rendimiento. Esos enfoques no tienen en cuenta las limitaciones en los recursos disponibles. Hemos abordado este problema enmarcando el descubrimiento de materiales como un diseño de experimento óptimo".

Los métodos presentados en esta investigación son flexibles y adaptables a diferentes situaciones de investigación. Significativamente, El algoritmo de Talapatra y Boluki puede funcionar con muy pocos datos iniciales, haciéndolo ideal para la investigación de nuevos materiales.

El algoritmo representa un paso adelante más inteligente en comparación con el trabajo anterior en el campo. Otros algoritmos obligan a uno a comenzar con un modelo predefinido, que introduce una restricción en el experimento y puede sesgar los resultados. "Nuestro algoritmo puede decidir de forma automática y autónoma qué modelo es el mejor de n modelos, en cualquier momento dado, dependiendo de los datos adquiridos, ", dijo Talapatra. El programa informático autónomo reduce el número de pasos y limita el uso de recursos limitados. Dado que puede comenzar con tan solo dos experimentos como puntos de datos iniciales, el algoritmo es ideal para optimizar los experimentos iniciales y discernir el mejor camino a seguir.

Los experimentadores pueden usarlo como una herramienta de un solo paso para simplemente decidir sobre el siguiente material a explorar, o como una herramienta puramente computacional para reemplazar los costosos modelos computacionales y reducir los costos computacionales. También se puede utilizar en una configuración combinada experimental y computacional. Por lo menos, este marco proporciona un medio muy eficiente para construir el conjunto de datos inicial, ya que puede usarse para guiar experimentos o cálculos al enfocarse en recopilar datos en aquellas secciones del espacio de diseño de materiales que resultarán en el camino más eficiente para lograr el material óptimo.

"Típicamente, la investigación de materiales ocurre de una manera muy ad-hoc y la serendipia tiende a ser la regla, en lugar de la excepción, ", dijo Talapatra." El problema es que a menudo no se conoce la física fundamental detrás de por qué un material funciona o no. Nuestros modelos no son lo suficientemente precisos. Cuando comienzas un viaje de descubrimiento de materiales, comienzas con el conocimiento físico muy básico, como el número de electrones y lo que sucede cuando los elementos se unen. Tienes que encontrar las similitudes entre las características y las propiedades ".

"Incluimos tanta ciencia como fuera posible en los modelos (de inteligencia artificial), "dijo Boluki, un estudiante de doctorado que defenderá su tesis el próximo otoño. Boluki y Talapatra trabajaron como implementadores en el proyecto y lo codificaron juntos en Python.

El artículo sobre el algoritmo ha sido revisado por pares, se presentó en varias conferencias y recibió buenos comentarios de la comunidad de ciencia e ingeniería de materiales. Los ingenieros y científicos de Texas A&M ya están utilizando el programa.

De la patología celular a la ciencia de los materiales:el fundamento matemático

En 2011, Qian y Dougherty comenzaron a colaborar para mejorar el diseño de experimentos en la investigación biomédica. Utilizaron modelos matemáticos para ver cuándo las células van a la etapa de tumor.

Ese mismo año, los legisladores federales anunciaron la Iniciativa del genoma de materiales, que tiene como objetivo acelerar el descubrimiento de nuevos materiales avanzados combinando el uso de herramientas computacionales y experimentales junto con datos digitales. Durante los últimos ocho años, a escala nacional, mucho tiempo, se han invertido dinero y recursos en este esfuerzo.

Qian and Dougherty turned their focus to materials science problems in 2013. The team started working on optimal design problems two years ago, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", en Physical Review Materials .