Los químicos de RIKEN1 han desarrollado un algoritmo de aprendizaje automático que puede predecir la composición de nuevos materiales que desafían las tendencias. Será útil para encontrar materiales para aplicaciones en las que exista una compensación entre dos o más propiedades deseables.

La inteligencia artificial tiene un gran potencial para ayudar a los científicos a encontrar nuevos materiales con propiedades deseables. Un algoritmo de aprendizaje automático que ha sido entrenado con las composiciones y propiedades de materiales conocidos puede predecir las propiedades de materiales desconocidos. ahorrando mucho tiempo en el laboratorio.

Pero descubrir nuevos materiales para aplicaciones puede ser complicado porque a menudo existe una compensación entre dos o más propiedades del material. Un ejemplo son los materiales orgánicos para células solares orgánicas, donde se desee maximizar tanto el voltaje como la corriente, señala Kei Terayama, quien estuvo en el Centro RIKEN para el Proyecto de Inteligencia Avanzada y ahora está en la Universidad de la Ciudad de Yokohama. "Existe una compensación entre el voltaje y la corriente:un material que exhibe un alto voltaje tendrá una corriente baja, mientras que uno con una corriente alta tendrá un voltaje bajo ".

Los científicos de materiales, por lo tanto, con frecuencia quieren encontrar materiales "fuera de tendencia" que se opongan a las compensaciones habituales. Pero, lamentablemente, a los algoritmos convencionales de aprendizaje automático les va mucho mejor para detectar tendencias que para descubrir materiales que van en contra de ellas.

Ahora, Terayama y sus compañeros de trabajo han desarrollado un algoritmo de aprendizaje automático, BLOX (exploración libre de objetivos sin límites), que puede localizar materiales fuera de tendencia.

El equipo demostró el poder del algoritmo usándolo para identificar ocho moléculas fuera de tendencia con un alto grado de fotoactividad a partir de una base de datos de descubrimiento de fármacos. Las propiedades de estas moléculas mostraron un buen acuerdo con las predichas por el algoritmo. "Nos preocupaba la precisión del cálculo, pero nos encantó ver que el cálculo era correcto, ", dice Terayama. Esto muestra el potencial del desarrollo de materiales impulsado por la computación".

BLOX utiliza el aprendizaje automático para generar un modelo de predicción de propiedades clave del material. Para ello, combina datos de materiales seleccionados al azar de una base de datos de materiales con resultados experimentales o de cálculos. Luego, BLOX usa el modelo para predecir las propiedades de un nuevo conjunto de materiales. De estos nuevos materiales, BLOX identifica el que más se desvía de la distribución general. Las propiedades de ese material se determinan mediante experimentos o cálculos y luego se utilizan para actualizar el modelo de aprendizaje automático. y el ciclo se repite.

En tono rimbombante, a diferencia de muchos algoritmos anteriores, BLOX no impone restricciones sobre la gama de estructuras y composiciones de materiales que se pueden explorar. Por lo tanto, puede extenderse por todas partes en su búsqueda de materiales periféricos.

El equipo ha hecho que BLOX esté disponible gratuitamente en línea.