Investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio informan sobre un modelo basado en el aprendizaje automático para predecir las propiedades de unión de los materiales. Crédito:Instituto de Ciencias Industriales, la Universidad de Tokio
Diseñar materiales que tengan las propiedades necesarias para cumplir funciones específicas es un desafío al que se enfrentan los investigadores que trabajan en áreas que van desde la catálisis hasta las células solares. Para acelerar los procesos de desarrollo, Los enfoques de modelado se pueden utilizar para predecir información para orientar los refinamientos. Investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio han desarrollado un modelo de aprendizaje automático para determinar las características de los materiales adsorbidos y adheridos en función de los parámetros de los componentes individuales. Sus hallazgos se publican en Física Aplicada Express .
Factores como la longitud y la fuerza de los enlaces en los materiales juegan un papel crucial en la determinación de las estructuras y propiedades que experimentamos en la escala macroscópica. La capacidad de predecir fácilmente estas características es, por tanto, valiosa al diseñar nuevos materiales.
La densidad de estados (DOS) es un parámetro que se puede calcular para átomos individuales, moléculas, y materiales. En pocas palabras, describe las opciones disponibles para los electrones que se organizan en un material. Un enfoque de modelado que puede tomar esta información para componentes seleccionados y producir datos útiles para el producto deseado, sin necesidad de fabricar y analizar el material, es una herramienta atractiva.
Los investigadores utilizaron un enfoque de aprendizaje automático, donde el modelo refina su respuesta sin intervención humana, para predecir cuatro propiedades diferentes de los productos a partir de la información de DOS de los componentes individuales. Aunque el DOS se ha utilizado como descriptor para establecer parámetros únicos antes, esta es la primera vez que se han predicho múltiples propiedades diferentes.
"Pudimos predecir cuantitativamente la energía de enlace, longitud de enlace, número de electrones covalentes, y la energía de Fermi después de la unión para tres tipos generales diferentes de sistema, "explica el primer autor del estudio, Eiki Suzuki." Y nuestras predicciones fueron muy precisas en todas las propiedades ".
Debido a que el cálculo de DOS de un estado aislado es menos complejo que para los sistemas enlazados, el análisis es relativamente eficiente. Además, el modelo de red neuronal utilizado funcionó bien incluso cuando solo se utilizó el 20% del conjunto de datos para el entrenamiento.
"Una ventaja significativa de nuestro modelo es que es general y se puede aplicar a una amplia variedad de sistemas, "explica el autor correspondiente del estudio, Teruyasu Mizoguchi." Creemos que nuestros hallazgos podrían hacer una contribución significativa a numerosos procesos de desarrollo, por ejemplo en catálisis, y podría ser particularmente útil en áreas de investigación más nuevas, como nano agrupaciones y nanocables ".
El artículo, "Predicción precisa de las propiedades de vinculación mediante un modelo basado en aprendizaje automático utilizando estados aislados antes de la vinculación", fue publicado en Física Aplicada Express .