Investigar, desarrollo, y la producción de materiales novedosos depende en gran medida de la disponibilidad de métodos de simulación rápidos y al mismo tiempo precisos. Aprendizaje automático, en el que la inteligencia artificial (IA) adquiere y aplica de forma autónoma nuevos conocimientos, pronto permitirá a los investigadores desarrollar sistemas de materiales complejos en un entorno puramente virtual. Como funciona esto, y que aplicaciones se beneficiarán? En un artículo publicado en el Materiales de la naturaleza diario, un investigador del Instituto de Tecnología de Karlsruhe (KIT) y sus colegas de Gotinga y Toronto lo explican todo.

La digitalización y la virtualización son cada vez más importantes en una amplia gama de disciplinas científicas. Una de estas disciplinas es la ciencia de los materiales:investigación, desarrollo, y la producción de materiales novedosos depende en gran medida de la disponibilidad de métodos de simulación rápidos y al mismo tiempo precisos. Esta, Sucesivamente, es beneficioso para una amplia gama de aplicaciones diferentes, desde sistemas eficientes de almacenamiento de energía, como los indispensables para el uso de energías renovables, a nuevos medicamentos, para cuyo desarrollo se requiere una comprensión de procesos biológicos complejos. Los métodos de inteligencia artificial y aprendizaje automático pueden llevar las simulaciones en ciencias de los materiales al siguiente nivel. "En comparación con los métodos de simulación convencionales basados ​​en cálculos mecánicos clásicos o cuánticos, El uso de redes neuronales diseñadas específicamente para simulaciones de materiales nos permite lograr una ventaja de velocidad significativa, "explica el profesor Pascal Friederich, físico y experto en inteligencia artificial, Jefe del grupo de investigación AiMat — Inteligencia artificial para ciencias de los materiales en el Instituto de Informática Teórica (ITI) de KIT. "Con sistemas de simulación más rápidos, los científicos podrán desarrollar sistemas de materiales más grandes y complejos en un entorno puramente virtual, y comprenderlos y optimizarlos hasta el nivel atómico ".

Alta precisión del átomo al material

En un artículo publicado en Materiales de la naturaleza , Pascal Friederich, quien también es líder asociado del grupo de Nanomateriales por la división de Diseño Guiado por Información en el Instituto de Nanotecnología (INT) de KIT, regalos junto con investigadores de la Universidad de Göttingen y la Universidad de Toronto, una descripción general de los principios básicos del aprendizaje automático que se utilizan para las simulaciones en las ciencias de los materiales. Esto también incluye el proceso de adquisición de datos y los métodos de aprendizaje activo. Los algoritmos de aprendizaje automático no solo permiten que la inteligencia artificial procese los datos de entrada, sino también para encontrar patrones y correlaciones en grandes conjuntos de datos, Aprende de ellos, y hacer predicciones y decisiones autónomas. Para simulaciones en ciencia de materiales, es importante lograr una alta precisión en diferentes escalas de tiempo y tamaño, que van desde el átomo hasta el material, al tiempo que limita los costos computacionales. En su artículo, los científicos también discuten varias aplicaciones actuales, como pequeñas moléculas orgánicas y grandes biomoléculas, sólido estructuralmente desordenado, líquido, y materiales gaseosos, así como sistemas cristalinos complejos, por ejemplo, armazones organometálicos que se pueden utilizar para el almacenamiento de gas o para la separación, para sensores o para catalizadores.

Incluso más velocidad con métodos híbridos

Para ampliar aún más las posibilidades de las simulaciones de materiales en el futuro, los investigadores de Karlsruhe, Gotinga, y Toronto sugieren el desarrollo de métodos híbridos:estos combinan métodos de aprendizaje automático (ML) y de mecánica molecular (MM). Las simulaciones de MM utilizan los llamados campos de fuerza para calcular las fuerzas que actúan sobre cada partícula individual y así predecir los movimientos. Como los potenciales de los métodos ML y MM son bastante similares, Es posible una estrecha integración con áreas de transición variables. Estos métodos híbridos podrían acelerar significativamente la simulación de grandes biomoléculas o reacciones enzimáticas en el futuro. por ejemplo.