En el campo de la ciencia de los materiales, incluso pequeñas variaciones en los parámetros y protocolos experimentales pueden provocar cambios no deseados en las propiedades de un material. Un desarrollo innovador en este campo se produjo con el advenimiento de la informática de materiales, un campo que depende en gran medida de los datos, que se centra en los datos de los materiales, incluidos los protocolos de síntesis, las propiedades, los mecanismos y las estructuras. Se ha beneficiado significativamente de la inteligencia artificial (IA), que permite análisis de datos automatizados a gran escala, diseño de materiales y experimentos que pueden ayudar al descubrimiento de materiales útiles.

Desafortunadamente, el intercambio de datos de ida y vuelta dentro de la comunidad científica a menudo resulta en la pérdida de datos. Esto se debe a que la mayoría de las bases de datos de materiales y los trabajos de investigación se centran en gran medida en las relaciones estructura-propiedad y menos en información importante, como los protocolos experimentales esenciales.

Para abordar estos problemas, un equipo de investigadores dirigido por el profesor asistente Kan Hatakeyama-Sato y el profesor Kenichi Oyaizu de la Universidad de Waseda en Japón desarrolló una plataforma de gestión de datos de laboratorio que describe las relaciones entre propiedades, estructuras y procesos experimentales en cuadernos electrónicos de laboratorio. En este cuaderno de laboratorio electrónico, los eventos experimentales y los parámetros ambientales relacionados se representan como gráficos de conocimiento.

Su estudio, que se publicó en npj Computational Materials el 17 de agosto de 2022, se basó en el concepto de que la información experimental se puede describir sin pérdida como gráficos de conocimiento. El equipo incorporó un algoritmo basado en IA que podría convertir automáticamente estos gráficos de conocimiento en tablas y cargarlos en un repositorio público. Este paso se incorporó para garantizar que el intercambio de datos no tuviera pérdidas y para permitir que la comunidad científica obtuviera una mejor comprensión de las condiciones experimentales.

Para demostrar la aplicabilidad de esta plataforma, el equipo la utilizó para explorar la conductividad superiónica en litio orgánico (Li ⁺ )-ion electrolitos. Registraron datos sin procesar todos los días de más de 500 experimentos, tanto exitosos como fallidos, en el cuaderno de laboratorio electrónico. A continuación, el módulo de conversión de datos transformó automáticamente los datos del gráfico de conocimiento en conjuntos de datos de aprendizaje automático y analizó la relación entre las operaciones experimentales y los resultados. Este análisis reveló los parámetros importantes necesarios para lograr una excelente conductividad iónica a temperatura ambiente de 10 ⁻⁴ –10 ⁻³ S/cm y un Li ⁺ número de transferencia tan alto como 0.8.

Entonces, ¿cuáles son las aplicaciones en tiempo real de esta plataforma? Hatakeyama-Sato dice:"Esta plataforma se aplica actualmente a las baterías de estado sólido y, con un rendimiento mejorado, podrá contribuir al desarrollo de baterías más seguras y de alta capacidad".

Este estudio no solo proporciona una plataforma para la investigación confiable orientada a los datos, sino que también garantiza que toda la información, incluidos los resultados experimentales y los datos de medición sin procesar, esté disponible públicamente para todos.

Hablando de sus implicaciones a largo plazo, Hatakeyama-Sato dice:"Al compartir datos experimentales sin procesar entre investigadores de todo el mundo, se podrían descubrir nuevos materiales funcionales más rápidamente. Este enfoque también puede acelerar el desarrollo de dispositivos relacionados con la energía, incluida la próxima generación baterías y celdas solares”. + Explora más

Nuevo electrolito híbrido para baterías de iones de litio de alto rendimiento