Cuando me vienen a la mente las palabras "inteligencia artificial" (IA), sus primeros pensamientos pueden ser sobre computadoras superinteligentes, o robots que realizan tareas sin necesidad de ayuda humana. Ahora, Un equipo multiinstitucional que incluye investigadores del Instituto Nacional de Estándares y Tecnología (NIST) ha logrado algo no muy lejano:desarrollaron un algoritmo de inteligencia artificial llamado CAMEO que descubrió un nuevo material potencialmente útil sin requerir capacitación adicional por parte de los científicos. El sistema de inteligencia artificial podría ayudar a reducir la cantidad de tiempo de prueba y error que los científicos pasan en el laboratorio, maximizando la productividad y la eficiencia en su investigación.

El equipo de investigación publicó su trabajo sobre CAMEO en Comunicaciones de la naturaleza .

En el campo de la ciencia de los materiales, los científicos buscan descubrir nuevos materiales que se puedan utilizar en aplicaciones específicas, como un "metal ligero pero también fuerte para construir un coche, o uno que pueda soportar altas tensiones y temperaturas para un motor a reacción, ", dijo el investigador del NIST Aaron Gilad Kusne.

Pero encontrar estos nuevos materiales suele requerir una gran cantidad de experimentos coordinados y búsquedas teóricas que consumen mucho tiempo. Si un investigador está interesado en cómo varían las propiedades de un material con diferentes temperaturas, entonces el investigador puede necesitar ejecutar 10 experimentos a 10 temperaturas diferentes. Pero la temperatura es solo un parámetro. Si hay cinco parámetros, cada uno con 10 valores, entonces ese investigador debe ejecutar el experimento 10 x 10 x 10 x 10 x 10 veces, un total de 100, 000 experimentos. Es casi imposible para un investigador realizar tantos experimentos debido a los años o décadas que puede llevar, Dijo Kusne.

Ahí es donde entra en juego CAMEO. Abreviatura de Sistema autónomo de circuito cerrado para la exploración y optimización de materiales, CAMEO puede garantizar que cada experimento maximice el conocimiento y la comprensión del científico, omitiendo experimentos que darían información redundante. Ayudar a los científicos a alcanzar sus objetivos más rápidamente con menos experimentos también permite a los laboratorios utilizar sus recursos limitados de manera más eficiente. Pero, ¿cómo puede CAMEO hacer esto?

El método detrás de la máquina

El aprendizaje automático es un proceso en el que los programas informáticos pueden acceder a los datos y procesarlos por sí mismos. mejorando automáticamente por sí mismos en lugar de depender de un entrenamiento repetido. Esta es la base de CAMEO, una IA de autoaprendizaje que utiliza la predicción y la incertidumbre para determinar qué experimento probar a continuación.

Como lo implica su nombre, CAMEO busca un nuevo material útil operando en un circuito cerrado:determina qué experimento ejecutar en un material, hace el experimento, y recopila los datos. También puede solicitar más información, como la estructura cristalina del material deseado, del científico antes de ejecutar el siguiente experimento, que se basa en todos los experimentos anteriores realizados en el bucle.

"La clave de nuestro experimento fue que pudimos lanzar CAMEO en una biblioteca combinatoria en la que habíamos creado una gran variedad de materiales con diferentes composiciones, "dijo Ichiro Takeuchi, investigadora en ciencia e ingeniería de materiales y profesora en la Universidad de Maryland. En un estudio combinatorio habitual, todos los materiales de la matriz se medirían secuencialmente para buscar el compuesto con las mejores propiedades. Incluso con una configuración de medición rápida, eso lleva mucho tiempo. Con CAMEO, Solo se necesitó una pequeña fracción del número habitual de medidas para encontrar el mejor material.

La IA también está diseñada para contener el conocimiento de los principios clave, incluido el conocimiento de simulaciones pasadas y experimentos de laboratorio, cómo funciona el equipo, y conceptos físicos. Por ejemplo, los investigadores armaron a CAMEO con el conocimiento del mapeo de fases, que describe cómo cambia la disposición de los átomos en un material con la composición química y la temperatura.

Comprender cómo están dispuestos los átomos en un material es importante para determinar sus propiedades, como qué tan duro o qué tan eléctricamente aislante es, y qué tan bien es adecuado para una aplicación específica.

"La IA no está supervisada. Muchos tipos de IA necesitan ser entrenados o supervisados. En lugar de pedirle que aprenda las leyes físicas, los codificamos en la IA. No necesitas un humano para entrenar a la IA, "dijo Kusne.

Una de las mejores formas de averiguar la estructura de un material es bombardeándolo con rayos X, en una técnica llamada difracción de rayos X. Al identificar los ángulos en los que rebotan los rayos X, los científicos pueden determinar cómo se organizan los átomos en un material, permitiéndoles descubrir su estructura cristalina. Sin embargo, un único experimento de difracción de rayos X interno puede llevar una hora o más. En una instalación de sincrotrón donde una gran máquina del tamaño de un campo de fútbol acelera partículas cargadas eléctricamente a una velocidad cercana a la de la luz, este proceso puede tardar 10 segundos porque las partículas que se mueven rápidamente emiten una gran cantidad de rayos X. Este es el método utilizado en los experimentos, que se realizaron en el Stanford Synchrotron Radiation Lightsource (SSRL).

El algoritmo se instala en una computadora que se conecta al equipo de difracción de rayos X a través de una red de datos. CAMEO decide qué composición de material estudiar a continuación eligiendo en qué material se enfocan los rayos X para investigar su estructura atómica. Con cada nueva iteración, CAMEO aprende de las mediciones pasadas e identifica el siguiente material para estudiar. Esto permite a la IA explorar cómo la composición de un material afecta su estructura e identificar el mejor material para la tarea.

"Piense en este proceso como intentar hacer el pastel perfecto, "Dijo Kusne." Estás mezclando diferentes tipos de ingredientes, harina, huevos, o mantequilla, usando una variedad de recetas para hacer el mejor pastel ". Con la IA, está buscando a través de las "recetas" o experimentos para determinar la mejor composición para el material.

Ese enfoque es como CAMEO descubrió el material? Ge? _4? Sb? _6? Te? _ (7, ) que el grupo redujo a GST467. CAMEO recibió 177 materiales potenciales para investigar, cubriendo una amplia gama de recetas compositivas. Para llegar a este material, CAMEO realizó 19 ciclos experimentales diferentes, que tomó 10 horas, en comparación con las 90 horas estimadas, un científico habría necesitado el conjunto completo de 177 materiales.

El nuevo material

El material está compuesto por tres elementos diferentes (germanio, antimonio y telurio, Ge-Sb-Te) y es un material de memoria de cambio de fase, es decir, cambia su estructura atómica de cristalina (material sólido con átomos designados, posiciones regulares) a amorfo (material sólido con átomos en posiciones aleatorias) cuando se derrite rápidamente aplicando calor. Este tipo de material se utiliza en aplicaciones de memoria electrónica como el almacenamiento de datos. Aunque existen infinitas variaciones de composición posibles en el sistema de aleación Ge-Sb-Te, el nuevo material GST467 descubierto por CAMEO es óptimo para aplicaciones de cambio de fase.

Los investigadores querían que CAMEO encontrara la mejor aleación Ge-Sb-Te, uno que tenía la mayor diferencia en el "contraste óptico" entre los estados cristalino y amorfo. En un disco DVD o Blu-ray, por ejemplo, El contraste óptico permite que un láser de escaneo lea el disco distinguiendo entre regiones que tienen alta o baja reflectividad. Descubrieron que GST467 tiene el doble de contraste óptico que? Ge? _2? Sb? _2? Te? _5, un material bien conocido que se usa comúnmente para DVD. El mayor contraste permite que el nuevo material supere al antiguo por un margen significativo.

GST467 también tiene aplicaciones para dispositivos de conmutación fotónicos, que controlan la dirección de la luz en un circuito. También se pueden aplicar en computación neuromórfica, un campo de estudio centrado en el desarrollo de dispositivos que emulan la estructura y función de las neuronas en el cerebro, abriendo posibilidades para nuevos tipos de computadoras, así como otras aplicaciones, como la extracción de datos útiles de imágenes complejas.

Aplicaciones más amplias de CAMEO

Los investigadores creen que CAMEO se puede utilizar para muchas otras aplicaciones de materiales. El código de CAMEO es de código abierto y estará disponible gratuitamente para que lo utilicen científicos e investigadores. Y a diferencia de enfoques similares de aprendizaje automático, CAMEO descubrió un nuevo compuesto útil centrándose en la relación composición-estructura-propiedad de los materiales cristalinos. De este modo, el algoritmo navegó por el curso del descubrimiento rastreando los orígenes estructurales de las funciones de un material.

Uno de los beneficios de CAMEO es minimizar los costos, desde proponer, La planificación y ejecución de experimentos en instalaciones de sincrotrón requiere tiempo y dinero. Los investigadores estiman una reducción de diez veces en el tiempo para los experimentos que utilizan CAMEO, ya que el número de experimentos realizados se puede reducir en una décima. Debido a que la IA está ejecutando las mediciones, recopilar datos y realizar el análisis, esto también reduce la cantidad de conocimiento que un investigador necesita para ejecutar el experimento. En lo único que debe concentrarse el investigador es en ejecutar la IA.

Otro beneficio es brindar a los científicos la capacidad de trabajar de forma remota. "Esto abre una ola de científicos para seguir trabajando y ser productivos sin estar realmente en el laboratorio, "dijo Apurva Mehta, investigador del Laboratorio Nacional Acelerador de SLAC. Esto podría significar que si los científicos quisieran trabajar en investigaciones que involucren enfermedades o virus contagiosos, como COVID-19, podían hacerlo de forma segura y remota mientras confiaban en la IA para realizar los experimentos en el laboratorio.

Por ahora, Los investigadores continuarán mejorando la IA e intentarán que los algoritmos sean capaces de resolver problemas cada vez más complejos. "CAMEO tiene la inteligencia de un científico robot, y está construido para diseñar, ejecutar y aprender de experimentos de una manera muy eficiente, "dijo Kusne.