Figura 1. Diagrama esquemático del proyecto insignia M3I3. Este proyecto tiene como objetivo lograr la integración perfecta de las relaciones "estructura-propiedad" y "propiedad de procesamiento" de múltiples escalas a través del modelado de materiales, imagen y aprendizaje automático. Con la capacidad de síntesis automática guiada por inteligencia artificial (AI), M3I3 proporcionará un desarrollo acelerado de nuevos materiales en un futuro próximo. Crédito:KAIST
El desarrollo de nuevos materiales y procesos novedosos ha seguido cambiando el mundo. La Iniciativa M3I3 en KAIST ha dado lugar a nuevos conocimientos sobre el avance del desarrollo de materiales mediante la implementación de avances en imágenes de materiales que han creado un cambio de paradigma en el descubrimiento de materiales. La Iniciativa presenta el modelado e imagen en múltiples escalas de estructuras y relaciones de propiedad y jerarquías de materiales combinados con los últimos datos de procesamiento de materiales.
El equipo de investigación dirigido por el profesor Seungbum Hong analizó los proyectos de investigación de materiales informados por los principales institutos y grupos de investigación mundiales. y derivó un modelo cuantitativo utilizando el aprendizaje automático con una interpretación científica. Este proceso encarna el objetivo de investigación del M3I3:Materiales y modelado molecular, Imágenes, Informática e Integración.
Los investigadores discutieron el papel de los materiales multiescala y las imágenes moleculares combinados con el aprendizaje automático y también presentaron una perspectiva futura para los desarrollos y los principales desafíos de M3I3. Al construir este modelo, el equipo de investigación prevé crear los conjuntos de propiedades deseados para los materiales y obtener las recetas de procesamiento óptimas para sintetizarlos.
"El desarrollo de diversas herramientas de microscopía y difracción con la capacidad de mapear la estructura, propiedad, y el rendimiento de los materiales a niveles multiescala y en tiempo real nos permitió pensar que las imágenes de materiales podrían acelerar radicalmente el descubrimiento y desarrollo de materiales, "dice el profesor Hong.
"Planeamos construir un repositorio M3I3 de mapas estructurales y de propiedades con capacidad de búsqueda utilizando FAIR (Findable, Accesible, Interoperable, y reutilizables) para estandarizar las mejores prácticas y agilizar la formación de los investigadores de carrera temprana ".
Figura 2. Gráfico de triángulo de contorno de capacidad en función de la composición (Ni, Co, y Mn), tamaño de partícula, temperatura / tiempo de sinterización, temperatura de medición, voltaje de corte, y tasa C. Crédito:KAIST
Uno de los ejemplos que muestra el poder de las imágenes de propiedades estructurales a nanoescala es el desarrollo de materiales futuros para dispositivos de memoria no volátiles emergentes. Específicamente, el equipo de investigación se centró en la microscopía con fotones, electrones, y sondas físicas en la jerarquía estructural multiescala, así como las relaciones estructura-propiedad para mejorar el rendimiento de los dispositivos de memoria.
"M3I3 es un algoritmo para realizar la ingeniería inversa de materiales futuros. La ingeniería inversa comienza analizando la estructura y composición de materiales o productos de vanguardia. Una vez que el equipo de investigación determina el rendimiento de nuestros materiales futuros específicos, necesitamos conocer las estructuras y composiciones candidatas para producir los materiales del futuro ".
El equipo de investigación ha construido un diseño experimental basado en datos basado en NCM tradicional (níquel, cobalto, y manganeso) materiales de cátodo. Con este, el equipo de investigación amplió su dirección futura para lograr una capacidad de descarga aún mayor, que se puede realizar mediante cátodos ricos en Li.
Sin embargo, Uno de los principales desafíos fue la limitación de los datos disponibles que describen las propiedades de los cátodos ricos en Li. Para mitigar este problema, los investigadores propusieron dos soluciones:Primero, deberían construir un generador de datos guiado por aprendizaje automático para el aumento de datos. Segundo, utilizarían un método de aprendizaje automático basado en el "aprendizaje por transferencia". Dado que la base de datos de cátodos NCM comparte una característica común con un cátodo rico en Li, uno podría considerar reutilizar el modelo entrenado por NCM para ayudar a la predicción rica en Li. Con el modelo preentrenado y el aprendizaje por transferencia, el equipo espera lograr predicciones sobresalientes para cátodos ricos en Li incluso con el pequeño conjunto de datos.
Con los avances en imágenes experimentales y la disponibilidad de información bien resuelta y big data, junto con avances significativos en la informática de alto rendimiento y un impulso mundial hacia una general, colaborativo integrador y plataforma de investigación bajo demanda, Existe una clara confluencia en las capacidades necesarias para hacer avanzar la Iniciativa M3I3.
El profesor Hong dijo:"Una vez que logramos utilizar el solucionador inverso de" procesamiento de estructura de propiedades "para desarrollar cátodos, ánodo, electrólito, y materiales de membrana para baterías de iones de litio de alta densidad energética, Ampliaremos nuestro alcance de materiales a pilas / pilas de combustible, aeroespacial, automóviles, comida, medicamento, y materiales cosméticos ".
