Los nanoingenieros de la Universidad de California en San Diego han desarrollado nuevos modelos de aprendizaje profundo que pueden predecir con precisión las propiedades de moléculas y cristales. Al permitir predicciones de propiedades casi instantáneas, Estos modelos de aprendizaje profundo brindan a los investigadores los medios para escanear rápidamente el universo casi infinito de compuestos para descubrir materiales potencialmente transformadores para diversas aplicaciones tecnológicas. como las baterías de iones de litio de alta densidad de energía, LED de color blanco cálido, y mejor fotovoltaica.

Para construir sus modelos, un equipo dirigido por el profesor de nanoingeniería Shyue Ping Ong en la Escuela de Ingeniería Jacobs de UC San Diego utilizó un nuevo marco de aprendizaje profundo llamado redes de gráficos, desarrollado por Google DeepMind, el cerebro detrás de AlphaGo y AlphaZero. Las redes gráficas tienen el potencial de expandir las capacidades de la tecnología de inteligencia artificial existente para realizar tareas complicadas de aprendizaje y razonamiento con experiencia y conocimiento limitados, algo en lo que los humanos somos buenos.

Para científicos de materiales como Ong, Las redes de gráficos ofrecen una forma natural de representar las relaciones de enlace entre los átomos de una molécula o cristal y permiten que las computadoras aprendan cómo estas relaciones se relacionan con sus propiedades químicas y físicas.

Los nuevos modelos gráficos basados ​​en redes, que el equipo de Ong denominó modelos MatErials Graph Network (MEGNet), superó el estado del arte al predecir 11 de 13 propiedades para las 133, 000 moléculas en el conjunto de datos QM9. El equipo también entrenó los modelos MEGNet en aproximadamente 60, 000 cristales en el Proyecto Materiales. Los modelos superaron a los modelos de aprendizaje automático anteriores en la predicción de las energías de formación, espacios entre bandas y módulos elásticos de los cristales.

El equipo también demostró dos enfoques para superar las limitaciones de datos en ciencia y química de materiales. Primero, el equipo demostró que las redes gráficas se pueden utilizar para unificar múltiples modelos de energía libre, resultando en un aumento de múltiples veces en los datos de entrenamiento. Segundo, demostraron que sus modelos MEGNet pueden aprender eficazmente las relaciones entre los elementos de la tabla periódica. Esta información de aprendizaje automático de un modelo de propiedad entrenado en un gran conjunto de datos se puede transferir para mejorar el entrenamiento y la precisión de los modelos de propiedad con cantidades más pequeñas de datos; este concepto se conoce en el aprendizaje automático como aprendizaje de transferencia.