Propiedades termofísicas (es decir, conductividad térmica) de polímeros predichos por aprendizaje de transferencia (TL). El grupo de investigación conjunto logró construir un modelo de aprendizaje automático capaz de la predicción extrapolativa de tres nuevos polímeros que residían en colas lejanas de la distribución de datos de entrenamiento (Yamada, Liu y otros; Ciencia Central ACS 2019). Esto se logró sometiendo modelos previamente entrenados (por ejemplo, modelos de las temperaturas de transición vítrea de los polímeros y de las capacidades caloríficas específicas de las moléculas pequeñas) en la biblioteca XenonPy.MDL para transferir el aprendizaje utilizando solo 19 conjuntos de datos de entrenamiento sobre la conductividad térmica de los polímeros. Crédito:Ryo Yoshida
Un grupo de investigación conjunto formado por el Instituto de Matemática Estadística (ISM) y el Instituto Nacional de Ciencia de Materiales (NIMS) ha desarrollado aproximadamente 140, 000 modelos de aprendizaje automático capaces de predecir 45 tipos diferentes de propiedades físicas en moléculas pequeñas, polímeros y materiales inorgánicos. Luego, el grupo conjunto puso XenonPy.MDL, una biblioteca de modelos previamente entrenada, a disposición del público.
XenonPy, una plataforma de código abierto para la investigación de la informática de materiales (MI), fue desarrollada conjuntamente por NIMS y un equipo del Centro de ciencia de datos ISM para el diseño creativo y la fabricación. XenonPy utiliza algoritmos de aprendizaje automático para realizar diversas tareas de MI. Los usuarios de XenonPy pueden ejecutar los modelos previamente entrenados disponibles en la biblioteca XenonPy.MDL a través de la interfaz de programación de aplicaciones (API) y usarlos para construir una variedad de flujos de trabajo de diseño de materiales. El grupo conjunto informó recientemente sobre el lanzamiento de XenonPy.MDL en un artículo de investigación publicado en Ciencia Central ACS , una revista de la American Chemical Society.
Además, como se describe en el artículo, el grupo logró demostrar el gran potencial de la transferencia de aprendizaje para superar el problema de cantidades limitadas de datos de materiales en varias tareas de MI, por ejemplo, predecir las propiedades físicas de moléculas pequeñas, polímeros y materiales cristalinos inorgánicos utilizando datos de materiales extremadamente limitados.
