Una infografía compara el aprendizaje automático y los datos experimentales en la búsqueda de nuevas aleaciones metálicas. Crédito:Yvonne Tang / SLAC National Accelerator Laboratory
Mezcle dos o tres metales y obtendrá una aleación que generalmente se ve y actúa como un metal, con sus átomos dispuestos en rígidos patrones geométricos.
Pero de vez en cuando en las condiciones adecuadas, obtienes algo completamente nuevo:una aleación futurista llamada vidrio metálico que es amorfo, con sus átomos dispuestos en todos los sentidos, muy parecido a los átomos del vidrio en una ventana. Su naturaleza vítrea lo hace más fuerte y liviano que el mejor acero de la actualidad. además, resiste mejor la corrosión y el desgaste.
Aunque el vidrio metálico es muy prometedor como revestimiento protector y como alternativa al acero, solo unos pocos miles de los millones de posibles combinaciones de ingredientes se han evaluado en los últimos 50 años, y solo unos pocos se desarrollaron hasta el punto de que pueden resultar útiles.
Ahora, un grupo dirigido por científicos del Laboratorio Nacional Acelerador SLAC del Departamento de Energía, el Instituto Nacional de Estándares y Tecnología (NIST) y la Universidad Northwestern han informado de un atajo para descubrir y mejorar el vidrio metálico, y por extensión, otros materiales escurridizos, a una fracción del tiempo y el costo.
El grupo de investigación aprovechó un sistema en Stanford Synchrotron Radiation Lightsource (SSRL) de SLAC que combina el aprendizaje automático, una forma de inteligencia artificial en la que los algoritmos informáticos obtienen conocimiento de enormes cantidades de datos, con experimentos que rápidamente crean y examinan cientos de materiales de muestra en un momento. Esto permitió al equipo descubrir tres nuevas mezclas de ingredientes que forman el vidrio metálico, y hacer esto 200 veces más rápido de lo que se podía hacer antes, informaron hoy en Avances de la ciencia .
"Por lo general, se necesitan una o dos décadas para que un material pase del descubrimiento al uso comercial, "dijo el profesor de Northwestern Chris Wolverton, un pionero en el uso de la computación y la inteligencia artificial para predecir nuevos materiales y coautor del artículo. "Este es un gran paso para tratar de reducir ese tiempo. Puede comenzar con nada más que una lista de las propiedades que desea en un material y, usando IA, Reduzca rápidamente el enorme campo de materiales potenciales a unos pocos buenos candidatos ".
La última meta, él dijo, es llegar al punto en el que un científico pueda escanear cientos de materiales de muestra, obtenga comentarios casi inmediatos de los modelos de aprendizaje automático y tenga otro conjunto de muestras listo para probar al día siguiente, o incluso dentro de una hora.
Durante el último medio siglo, los científicos han investigado alrededor de 6, 000 combinaciones de ingredientes que forman vidrio metálico, agregó el coautor del artículo Apurva Mehta, un científico del personal de SSRL:"Pudimos hacer y seleccionar 20, 000 en un solo año ".
Acaba de empezar
Mientras que otros grupos han utilizado el aprendizaje automático para realizar predicciones sobre dónde se pueden encontrar diferentes tipos de vidrio metálico, Mehta dijo, "Lo único que hemos hecho es verificar rápidamente nuestras predicciones con mediciones experimentales y luego repetir repetidamente los resultados en la siguiente ronda de aprendizaje automático y experimentos".
Hay mucho espacio para acelerar aún más el proceso, él agregó, y eventualmente automatizarlo para sacar a la gente del circuito por completo para que los científicos puedan concentrarse en otros aspectos de su trabajo que requieren la intuición y la creatividad humanas. "Esto tendrá un impacto no solo en los usuarios de sincrotrón, pero en toda la comunidad de ciencia y química de los materiales, "Dijo Mehta.
El equipo dijo que el método será útil en todo tipo de experimentos, especialmente en búsquedas de materiales como vidrio metálico y catalizadores cuyo rendimiento está fuertemente influenciado por la forma en que se fabrican, y aquellos en los que los científicos no tienen teorías para guiar su búsqueda. Con el aprendizaje automático, no se necesita ningún conocimiento previo. Los algoritmos hacen conexiones y extraen conclusiones por sí mismos, y esto puede conducir la investigación en direcciones inesperadas.
"Uno de los aspectos más interesantes de esto es que podemos hacer predicciones con tanta rapidez y dar la vuelta a los experimentos con tanta rapidez que podemos permitirnos investigar materiales que no siguen nuestras reglas generales habituales sobre si un material formará un vidrio o no". , "dijo el coautor del artículo Jason Hattrick-Simpers, ingeniero de investigación de materiales en NIST. "La IA cambiará el panorama de cómo se hace la ciencia de los materiales, y este es el primer paso ".
Fang Ren, quien desarrolló algoritmos para analizar datos sobre la marcha mientras era becario postdoctoral en SLAC, en una línea de luz de fuente de luz de radiación sincrotrón de Stanford donde se ha puesto en uso el sistema. Crédito:Dawn Harmer / SLAC National Accelerator Laboratory
Fuerza en números
El documento es el primer resultado científico asociado con un proyecto piloto financiado por el DOE en el que SLAC está trabajando con una empresa de inteligencia artificial de Silicon Valley, Informática Citrina, para transformar la forma en que se descubren nuevos materiales y hacer que las herramientas para hacerlo estén disponibles para los científicos de todo el mundo.
Fundada por ex estudiantes de posgrado de las universidades de Stanford y Northwestern, Citrine ha creado una plataforma de datos de ciencia de materiales donde los datos que se habían guardado en artículos publicados, Las hojas de cálculo y los cuadernos de laboratorio se almacenan en un formato coherente para que puedan analizarse con IA diseñada específicamente para materiales.
"Queremos tomar materiales y datos químicos y usarlos de manera efectiva para diseñar nuevos materiales y optimizar la fabricación, "dijo Greg Mulholland, fundador y director general de la empresa. "Este es el poder de la inteligencia artificial:a medida que los científicos generan más datos, aprende junto a ellos, traer tendencias ocultas a la superficie y permitir a los científicos identificar materiales de alto rendimiento mucho más rápido y de manera más efectiva que confiar en los tradicionales, desarrollo de materiales puramente impulsado por humanos ".
Hasta hace poco, ideando, hacer y evaluar nuevos materiales fue dolorosamente lento. Por ejemplo, los autores del papel de vidrio metálico calcularon que incluso si pudieras cocinar y examinar cinco tipos potenciales de vidrio metálico al día, todos los días del año, Se necesitarían más de mil años para analizar todas las combinaciones posibles de metales. Cuando descubren un vidrio metálico, los investigadores luchan por superar los problemas que frenan estos materiales. Algunos tienen ingredientes tóxicos o costosos, y todos comparten el cristal quebradizo, naturaleza propensa a romperse.
En la última década, Los científicos de SSRL y otros lugares han desarrollado formas de automatizar experimentos para poder crear y estudiar materiales más novedosos en menos tiempo. Hoy dia, algunos usuarios de SSRL pueden obtener un análisis preliminar de sus datos casi tan pronto como salen con el software de inteligencia artificial desarrollado por SSRL junto con Citrine y el proyecto CAMERA en el Laboratorio Nacional Lawrence Berkeley del DOE.
"Con estos sistemas automatizados podemos analizar más de 2, 000 muestras por día, "dijo Fang Ren, el autor principal del artículo, quien desarrolló algoritmos para analizar datos sobre la marcha y coordinó su integración en el sistema mientras era becario postdoctoral en SLAC.
Experimentar con datos
En el estudio de vidrio metálico, El equipo de investigación investigó miles de aleaciones, cada una de las cuales contiene tres metales no tóxicos.
Comenzaron con un tesoro de datos de materiales que se remonta a más de 50 años, incluyendo los resultados de 6, 000 experimentos que buscaban vidrio metálico. El equipo examinó los datos con algoritmos avanzados de aprendizaje automático desarrollados por Wolverton y el estudiante graduado Logan Ward en Northwestern.
Según lo que aprendieron los algoritmos en esta primera ronda, los científicos crearon dos conjuntos de aleaciones de muestra utilizando dos métodos diferentes, permitiéndoles probar cómo los métodos de fabricación afectan si una aleación se transforma en vidrio.
Ambos conjuntos de aleaciones fueron escaneados por un haz de rayos X SSRL, los datos introducidos en la base de datos de Citrine, y nuevos resultados de aprendizaje automático generados, que se utilizaron para preparar nuevas muestras que se sometieron a otra ronda de escaneo y aprendizaje automático.
En la tercera y última ronda del experimento, Mehta dijo, La tasa de éxito del grupo en la búsqueda de vidrio metálico había aumentado de una de cada 300 o 400 muestras analizadas a una de cada dos o tres muestras analizadas. Las muestras de vidrio metálico que identificaron representaban tres combinaciones diferentes de ingredientes, dos de los cuales nunca antes se habían utilizado para fabricar vidrio metálico.