Un equipo de investigadores ha utilizado IA para identificar un material termoeléctrico con valores favorables. El grupo pudo sortear los obstáculos convencionales de la IA y los desafíos de los big data, ofreciendo un excelente ejemplo de cómo la IA puede revolucionar la ciencia de los materiales. Los detalles fueron publicados en la revista Science China Materials. el 8 de marzo de 2024.
"Los métodos tradicionales para encontrar materiales adecuados implican prueba y error, lo que requiere mucho tiempo y a menudo es costoso", proclama Hao Li, profesor asociado del Instituto Avanzado de Investigación de Materiales (WPI-AIMR) de la Universidad de Tohoku y autor correspondiente del artículo. "La IA transforma esto al revisar bases de datos para identificar materiales potenciales que luego pueden verificarse experimentalmente".
Aún así, persisten desafíos. Los conjuntos de datos de materiales a gran escala a veces contienen errores, y el sobreajuste de las propiedades dependientes de la temperatura previstas también es un error común. El sobreajuste ocurre cuando un modelo aprende a capturar ruido o fluctuaciones aleatorias en los datos de entrenamiento en lugar del patrón o relación subyacente.
Como resultado, el modelo funciona bien con los datos de entrenamiento, pero no logra generalizar datos nuevos e invisibles. Al predecir propiedades dependientes de la temperatura, el sobreajuste podría generar predicciones inexactas cuando el modelo encuentra nuevas condiciones fuera del rango de los datos de entrenamiento.
Li y sus colegas intentaron superar este problema para desarrollar un material termoeléctrico. Estos materiales convierten la energía térmica en energía eléctrica, o viceversa. Por lo tanto, es fundamental obtener una dependencia de la temperatura muy precisa.
"En primer lugar, realizamos una serie de acciones racionales para identificar y descartar datos cuestionables, obteniendo 92.291 puntos de datos que comprenden 7.295 composiciones y diferentes temperaturas de la base de datos Starrydata2, una base de datos en línea que recopila datos digitales de artículos publicados", afirma Li.
Luego, los investigadores construyeron modelos de construcción de máquinas utilizando el método del árbol de decisión de aumento de gradiente. El modelo logró valores R2 notables de 0,89, ~0,90 y ~0,89 en el conjunto de datos de entrenamiento, el conjunto de datos de prueba y los nuevos datos experimentales fuera de muestra publicados en 2023, lo que demuestra la precisión del modelo en la predicción de materiales recientemente disponibles.
"Podríamos utilizar este modelo para llevar a cabo una evaluación a gran escala de los materiales estables de la base de datos del Proyecto de Materiales, prediciendo el rendimiento termoeléctrico potencial de nuevos materiales y proporcionando orientación para los experimentos", afirma Xue Jia, profesor asistente en WPI-AIMR. y coautor del artículo.
En última instancia, el estudio ilustra la importancia de seguir pautas rigurosas en lo que respecta al preprocesamiento y división de datos en el aprendizaje automático para abordar los problemas urgentes en la ciencia de materiales. Los investigadores son optimistas y creen que su estrategia también se puede aplicar a otros materiales, como electrocatalizadores y baterías.
Más información: Xue Jia et al, Cómo afrontar los desafíos de los grandes datos en la IA para materiales termoeléctricos, Science China Materials (2024). DOI:10.1007/s40843-023-2777-2
Proporcionado por la Universidad de Tohoku
