El equipo, dirigido por científicos de la Universidad de Cambridge, desarrolló un enfoque de aprendizaje automático de "multifidelidad" para predecir las propiedades de los materiales. Este método combinó información sobre la estructura del material obtenida mediante técnicas computacionales con mediciones experimentales para construir modelos predictivos precisos utilizando algoritmos de aprendizaje profundo.
Los científicos probaron el enfoque de fidelidad múltiple en cuatro materiales:aleaciones de acero, aleaciones de alta entropía, materiales termoeléctricos y estructuras organometálicas. Demostraron que su método logró un rendimiento de vanguardia en la predicción de las propiedades de estos materiales.
Por ejemplo, para las aleaciones de acero, el modelo de fidelidad múltiple predijo el límite elástico del material con un error absoluto medio (MAE) de sólo el 1,8%, en comparación con el 4,5% del mejor método anterior. Para las aleaciones de alta entropía, el modelo de fidelidad múltiple predijo la dureza Vickers del material con un MAE del 2,3 %, en comparación con el 5,8 % del mejor método anterior.
"Las técnicas de aprendizaje automático pueden predecir las propiedades de los materiales y reducir significativamente el tiempo y el coste de su descubrimiento", afirmó el coautor primero, el Dr. Hao Wu, del Departamento de Ciencia de Materiales y Metalurgia de Cambridge. "Pero que el aprendizaje automático proporcione Para hacer predicciones computacionalmente eficientes y de alta fidelidad, debemos combinar múltiples fuentes de información complementarias, como modelos basados en la física y mediciones experimentales”.
El descubrimiento y desarrollo de materiales actualmente implican un ciclo iterativo de síntesis de materiales, experimentos para medir las propiedades de los materiales y costosas simulaciones computacionales para comprender los mecanismos subyacentes. Este enfoque requiere mucho tiempo, es costoso e ineficiente y, por lo general, requiere expertos humanos con profundos conocimientos de física o química.
El nuevo enfoque de aprendizaje automático de fidelidad múltiple agiliza el proceso de diseño al identificar de manera eficiente los materiales candidatos más prometedores sin tener que realizar muchos experimentos que consumen mucho tiempo o cálculos de alta fidelidad.
"Una simulación computacional típica de alta fidelidad puede tardar una semana o incluso meses en completarse", dijo el coautor primero, el Dr. Xiaoqing Huang, del Departamento de Ciencia de Materiales y Metalurgia. "Si queremos explorar cientos de materiales, es prácticamente inviable para obtener resultados computacionales de alta fidelidad para todos ellos. Nuestro marco de aprendizaje profundo de fidelidad múltiple supera esto mediante la utilización de simulaciones basadas en física de bajo costo y mediciones experimentales para guiar el aprendizaje de modelos de alta fidelidad”.
Al reducir significativamente el tiempo y el costo asociados con el descubrimiento de materiales, la nueva técnica de aprendizaje automático de fidelidad múltiple puede acelerar el desarrollo de materiales nuevos y mejorados para una amplia gama de aplicaciones, incluido el almacenamiento de energía, la catálisis y la industria aeroespacial.
"Creemos que nuestro enfoque no sólo puede permitir avances en el descubrimiento y desarrollo de materiales, sino también beneficiar la ciencia computacional y el diseño en otras disciplinas, como la química, la biología y la investigación farmacéutica", dijo el autor principal, el profesor Li Yang del Departamento de Ciencia de Materiales y Metalurgia. "Esperamos que este trabajo allane el camino para la integración de simulaciones y experimentos a múltiples escalas en un marco basado en datos para la investigación científica y el diseño de ingeniería".
