Crédito:Tecnología de Tokio
Un grupo de investigación conjunto que incluye a Ryo Yoshida (profesor y director del Data Science Center for Creative Design and Manufacturing en el Institute of Statistical Mathematics [ISM], Organización de Investigación de la Información y los Sistemas), Junko Morikawa (Profesor de la Escuela de Materiales y Tecnología Química, Instituto de Tecnología de Tokio [Tokyo Tech]), y Yibin Xu (líder del grupo de gestión térmica y materiales termoeléctricos, Centro de Investigación de Materiales por Integración de Información, División de Investigación y Servicios de Datos de Materiales y Sistema Integrado [MaDIS], NIMS) ha demostrado la prometedora aplicación del aprendizaje automático (ML), una forma de IA que permite a las computadoras "aprender" a partir de datos dados, para descubrir materiales innovadores.
Informar sus hallazgos en la revista de acceso abierto Materiales computacionales npj , los investigadores muestran que su método ML, que implica "aprendizaje por transferencia, "permite el descubrimiento de materiales con las propiedades deseadas incluso a partir de un conjunto de datos muy pequeño.
El estudio se basó en un conjunto de datos de propiedades poliméricas de PoLyInfo, la base de datos de polímeros más grande del mundo alojada en NIMS. A pesar de su tamaño, PoLyInfo tiene una cantidad limitada de datos sobre las propiedades de transferencia de calor de los polímeros. Para predecir las propiedades de transferencia de calor a partir de los datos limitados dados, Los modelos de AA sobre propiedades de proxy se entrenaron previamente cuando se disponía de datos suficientes sobre las tareas relacionadas; Estos modelos previamente entrenados capturaron características comunes relevantes para la tarea objetivo. Reorientar este tipo de características adquiridas por la máquina en la tarea objetivo produjo un rendimiento de predicción sobresaliente incluso con conjuntos de datos extremadamente pequeños, no muy diferente del trabajo de expertos humanos altamente experimentados con respecto a inferencias racionales incluso para tareas considerablemente menos experimentadas. El equipo combinó este modelo con un algoritmo ML especialmente diseñado para el diseño molecular computacional, que se llama el algoritmo iQSPR desarrollado previamente por Yoshida y sus colegas. La aplicación de esta técnica permitió la identificación de miles de polímeros "virtuales" prometedores.
De este gran grupo de candidatos, Se seleccionaron tres polímeros en función de su facilidad de síntesis y procesamiento. Las pruebas confirmaron que los nuevos polímeros tienen una alta conductividad térmica de hasta 0,41 vatios por metro-Kelvin (W / mK). Esta cifra es un 80 por ciento más alta que la de las poliimidas típicas, un grupo de polímeros de uso común que se han producido en masa desde la década de 1950 para aplicaciones que van desde pilas de combustible hasta utensilios de cocina.
Al verificar las propiedades de transferencia de calor de los polímeros diseñados computacionalmente, el estudio representa un avance clave para la rapidez, económico, Métodos apoyados por ML para el diseño de materiales. También demuestra la experiencia combinada del equipo en ciencia de datos, síntesis orgánica y tecnologías avanzadas de medición.
Yoshida comenta que quedan muchos aspectos por explorar, como "entrenar" sistemas computacionales para trabajar con datos limitados agregando descriptores más adecuados. "El aprendizaje automático para el diseño de polímeros o materiales blandos es un campo desafiante pero prometedor, ya que estos materiales tienen propiedades que difieren de los metales y la cerámica, y aún no están completamente predichas por las teorías existentes, " él dice.
El estudio es un punto de partida para el descubrimiento de otros materiales innovadores, como agrega Morikawa:"Nos gustaría intentar crear un sistema computacional de alto rendimiento impulsado por ML para diseñar materiales blandos de próxima generación para aplicaciones que van más allá de la era 5G. A través de nuestro proyecto, Nuestro objetivo es perseguir no solo el desarrollo de la informática de materiales, sino también contribuir al avance fundamental de la ciencia de los materiales. especialmente en el campo de la ingeniería fonética ".