Un grupo de investigación conjunto que incluye a Ryo Yoshida Profesor y Director del Centro de Ciencia de Datos para Diseño Creativo y Fabricación en el Instituto de Matemática Estadística [ISM], Organización de Investigación de Información y Sistemas, Junko Morikawa Profesor en la Escuela de Materialesy Tecnología Química, Instituto de Tecnología de Tokio [Tokyo Tech], y Yibin Xu Líder de Grupo de Gestión Térmica y Grupo de Materiales Termoeléctricos, Centro de Investigación de Materiales por Integración de Información, División de Investigación y Servicios de Datos de Materiales y Sistema Integrado [MaDIS],NIMS ha demostrado la prometedora aplicación del aprendizaje automático ML, una forma de IA que permite a las computadoras "aprender" de los datos dados, para descubrir materiales innovadores.
Informar sus hallazgos en la revista de acceso abierto npj Materiales computacionales , los investigadores muestran que su método ML, que implica el "aprendizaje de transferencia", permite el descubrimiento de materiales con las propiedades deseadas incluso a partir de un conjunto de datos muy pequeño.
El estudio se basó en un conjunto de datos de propiedades poliméricas de PoLyInfo, la mayor base de datos de polímeros del mundo alojada en NIMS. A pesar de su gran tamaño, PoLyInfo tiene una cantidad limitada de datos sobre las propiedades de transferencia de calor de los polímeros. Para predecir elpropiedades de transferencia de calor a partir de los datos limitados dados, los modelos de ML en propiedades proxy fueron pre-entrenados donde había suficientes datos disponibles sobre las tareas relacionadas, estos modelos pre-entrenados capturaron características comunes relevantes para la tarea objetivo.en la tarea objetivo produjo un rendimiento de predicción sobresaliente incluso con los conjuntos de datos extremadamente pequeños, como si expertos humanos altamente experimentados pudieran hacer inferencias racionales incluso para tareas considerablemente menos experimentadas. El equipo combinó este modelo con un algoritmo ML especialmente diseñado para diseño molecular computacional, que esllamado el algoritmo iQSPR desarrollado previamente por Yoshida y sus colegas. La aplicación de esta técnica permitió la identificación demiles de prometedores polímeros "virtuales".
De este gran grupo de candidatos, se seleccionaron tres polímeros en función de su facilidad de síntesis y procesamiento.
Las pruebas confirmaron que los nuevos polímeros tienen una alta conductividad térmica de hasta 0,41 vatios por metro-Kelvin W / mK. Esta cifra es 80 por ciento más alta que la de las poliimidas típicas, un grupo de polímeros comúnmente utilizados que han sido masivos-producido desde la década de 1950 para aplicaciones que van desde celdas de combustible hasta utensilios de cocina.
Al verificar las propiedades de transferencia de calor de los polímeros diseñados computacionalmente, el estudio representa un avance clave para métodos rápidos, rentables y compatibles con ML para el diseño de materiales. También demuestra la experiencia combinada del equipo en ciencia de datos, síntesis orgánica y avanzadatecnologías de medición.
Yoshida comenta que quedan muchos aspectos por explorar, como los sistemas computacionales de "capacitación" para trabajar con datos limitados agregando descriptores más adecuados. "El aprendizaje automático para el diseño de polímeros o materiales blandos es un campo desafiante pero prometedor ya que estos materiales tienen propiedadesque difieren de los metales y las cerámicas, y aún no son completamente predichas por las teorías existentes ", dice.
El estudio es un punto de partida para el descubrimiento de otros materiales innovadores, ya que Morikawa agrega: "Nos gustaría intentar crear un sistema computacional de alto rendimiento basado en ML para diseñar materiales blandos de próxima generación para aplicaciones que van más allá del 5Gera. A través de nuestro proyecto, nuestro objetivo es perseguir no solo el desarrollo de la informática de materiales, sino también contribuir al avance fundamental de la ciencia de materiales, especialmente en el campo de la ingeniería de fonones ".
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Tokio . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :