El aprendizaje automático y la inteligencia artificial se utilizan cada vez más en la investigación de la ciencia de los materiales. Por ejemplo, El profesor asociado de ciencia e ingeniería de materiales del MIT, Juejun "JJ" Hu, desarrolló un algoritmo que mejora el rendimiento de un espectrómetro basado en chips, y la profesora adjunta de Estudios Energéticos de Atlantic Richfield, Elsa A. Olivetti, construyó un sistema de inteligencia artificial que recorre artículos científicos para deducir "recetas" de la ciencia de los materiales.

Estos y otros profesores del MIT, así como el orador principal Brian Storey, Director de diseño y descubrimiento de materiales acelerados del Toyota Research Institute, discutirá las ideas y los avances en su investigación utilizando el aprendizaje automático en el Simposio anual del Día de los Materiales del Laboratorio de Investigación de Materiales del MIT el miércoles, 9 de octubre en el Auditorio Kresge.

El profesor asociado Hu explicó recientemente lo que condujo a su revolucionario espectrómetro, y por qué es optimista de que el aprendizaje automático y la inteligencia artificial se estén convirtiendo en una herramienta cotidiana en la investigación de materiales.

P:Su trabajo de espectrómetro en particular hizo uso de técnicas de aprendizaje automático. ¿Cómo está cambiando el nuevo enfoque el proceso de descubrimiento en la ciencia de los materiales?

R:Básicamente, Desarrollamos una nueva tecnología de espectrómetro que nos permite encoger componentes grandes en un pequeño chip de silicio y aún así mantener un alto rendimiento. Desarrollamos un algoritmo que nos permite extraer la información con una relación señal-ruido mucho mejor. Hemos validado el algoritmo para muchos tipos diferentes de espectro. El algoritmo identifica colores de luz separados comparando dos mediciones repetidas para mitigar el impacto de los ruidos de medición. El algoritmo mejora la resolución en un 100 por ciento en comparación con los límites de los libros de texto, llamados los límites de Rayleigh.

P:¿Cómo está utilizando el aprendizaje automático para identificar nuevos materiales y diseños ópticos para su trabajo en lentes de infrarrojo medio compuestos por matrices de antenas ópticas?

R:Estamos colaborando con un grupo en UMass [la Universidad de Massachusetts] para desarrollar un algoritmo de aprendizaje profundo para diseñar "metasuperficies, "que son una especie de dispositivo óptico donde, en lugar de utilizar una curvatura geométrica convencional para construir, decir, una lente, utiliza una serie de antenas ópticas especialmente diseñadas para impartir retardo de fase en la luz entrante, y por tanto podemos conseguir todo tipo de funcionalidades. Un gran problema con las metasuperficies es que, convencionalmente, cuando la gente diseñara estas metasuperficies, lo harían esencialmente por ensayo y error.

Hemos configurado un algoritmo de aprendizaje profundo. El algoritmo nos permite entrenarlo con datos existentes. Así que mientras lo entrenamos, eventualmente, el algoritmo se vuelve "inteligente". El algoritmo puede evaluar la viabilidad de formas irregulares que van más allá de formas convencionales como círculos y rectángulos. Puede reconocer conexiones ocultas entre geometrías complejas y la respuesta electromagnética, que no suele ser trivial, y puede encontrar estas relaciones ocultas más rápido que las simulaciones convencionales a gran escala. El algoritmo también puede filtrar posibles combinaciones de materiales y funciones que simplemente no funcionarán. Si usa métodos convencionales, tienes que perder mucho tiempo para agotar todo el espacio de diseño posible y luego llegar a esta conclusión, pero ahora nuestro algoritmo puede decírselo muy rápido.

P:¿Qué otros avances están facilitando el uso del aprendizaje automático en la ciencia de los materiales?

R:La otra cosa que estamos viendo es que ahora también tenemos un acceso mucho más fácil a muy poderosos, instalaciones computacionales basadas en la nube que están disponibles comercialmente. Entonces esa combinación de hardware, fácil acceso, recursos informáticos muy potentes, y los nuevos algoritmos, eso es lo que nos permite realizar nuevas innovaciones. De nuevo, por ejemplo, con metasuperficies, si miras diseños antiguos, la gente usaba geometrías regulares como círculos, cuadrícula, rectángulos pero nosotros, así como muchos otros en la comunidad, ahora todos están pasando a dispositivos ópticos topológicamente optimizados. Y para diseñar esas estructuras, la combinación de nuevos algoritmos y potentes recursos computacionales es la clave para diseñar dispositivos enormes como macroscópicos, Óptica topológicamente optimizada en espacio tridimensional.

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.