Al buscar en listas teóricas de posibles nuevos materiales para aplicaciones particulares, como baterías u otros dispositivos relacionados con la energía, a menudo hay millones de materiales potenciales que podrían considerarse, y múltiples criterios que deben cumplirse y optimizarse a la vez.Ahora, los investigadores del MIT han encontrado una manera de racionalizar drásticamente el proceso de descubrimiento, utilizando un sistema de aprendizaje automático.
Como demostración, el equipo llegó a un conjunto de los ocho materiales más prometedores, de casi 3 millones de candidatos, para un sistema de almacenamiento de energía llamado batería de flujo. Este proceso de selección habría llevado 50 años por métodos analíticos convencionales, ellosdigamos, pero lo lograron en cinco semanas.
Los hallazgos se informan en la revista Ciencia Central de ACS en un documento del profesor de ingeniería química del MIT Heather Kulik, Jon Paul Janet PhD '19, Sahasrajit Ramesh y el estudiante graduado Chenru Duan.
El estudio examinó un conjunto de materiales llamados complejos de metales de transición. Estos pueden existir en una gran cantidad de formas diferentes, y Kulik dice que "son materiales realmente fascinantes y funcionales que son diferentes a muchas otras fases de materiales. La única maneraentender por qué funcionan de la manera en que lo hacen es estudiarlos usando la mecánica cuántica "
Para predecir las propiedades de cualquiera de millones de estos materiales requeriría una espectroscopía que requiera mucho tiempo y recursos intensivos y otros trabajos de laboratorio, o un modelado informático basado en la física altamente complejo y que consume mucho tiempo para cada posible material candidato o combinación demateriales. Cada estudio podría consumir horas o días de trabajo.
En cambio, Kulik y su equipo tomaron una pequeña cantidad de diferentes materiales posibles y los usaron para enseñar una red neuronal avanzada de aprendizaje automático sobre la relación entre las composiciones químicas de los materiales y sus propiedades físicas. Ese conocimiento se aplicó para generar sugerenciaspara la próxima generación de posibles materiales que se utilizarán para la próxima ronda de entrenamiento de la red neuronal.A través de cuatro iteraciones sucesivas de este proceso, la red neuronal mejoró significativamente cada vez, hasta llegar a un punto en el que estaba claro que las iteraciones posteriores noproducir mejoras adicionales
Este sistema de optimización iterativo agilizó en gran medida el proceso de llegar a soluciones potenciales que satisfacen los dos criterios en conflicto que se buscan. Este tipo de proceso para encontrar las mejores soluciones en situaciones en las que mejorar un factor tiende a empeorar al otro, se conoce como unFrente de Pareto, que representa un gráfico de los puntos de tal manera que cualquier mejora adicional de un factor empeoraría el otro. En otras palabras, el gráfico representa los mejores puntos de compromiso posibles, dependiendo de la importancia relativa asignada a cada factor.
El entrenamiento de redes neuronales típicas requiere conjuntos de datos muy grandes, que van desde miles hasta millones de ejemplos, pero Kulik y su equipo pudieron usar este proceso iterativo, basado en el modelo frontal de Pareto, para simplificar el proceso y proporcionar resultados confiables usando sololos pocos cientos de muestras
En el caso de la detección de los materiales de la batería de flujo, las características deseadas estaban en conflicto, como suele ser el caso: el material óptimo tendría una alta solubilidad y una alta densidad de energía la capacidad de almacenar energía para un peso dado.Pero aumentar la solubilidad tiende a disminuir la densidad de energía, y viceversa.
No solo la red neuronal pudo encontrar rápidamente candidatos prometedores, sino que también fue capaz de asignar niveles de confianza a sus diferentes predicciones a través de cada iteración, lo que ayudó a permitir el refinamiento de la selección de la muestra en cada paso ".desarrolló una técnica de cuantificación de incertidumbre mejor que la mejor de su clase para saber realmente cuándo estos modelos iban a fallar ", dice Kulik.
El desafío que eligieron para la prueba de prueba de concepto fue materiales para su uso en baterías de flujo redox, un tipo de batería que promete para baterías grandes a escala de red que podrían desempeñar un papel importante para permitir energía limpia y renovable.Los complejos de metales de transición son la categoría preferida de materiales para tales baterías, dice Kulik, pero hay demasiadas posibilidades para evaluar por medios convencionales. Comenzaron con una lista de 3 millones de tales complejos antes de finalmente reducirlo a los ocho buenos candidatos,junto con un conjunto de reglas de diseño que deberían permitir a los experimentadores explorar el potencial de estos candidatos y sus variaciones.
"A través de ese proceso, la red neuronal se vuelve cada vez más inteligente sobre el espacio [de diseño], pero también cada vez más pesimista de que cualquier cosa más allá de lo que ya hemos caracterizado puede mejorar aún más lo que ya sabemos", dice ella.
Ella dice que, aparte de los complejos de metales de transición específicos sugeridos para una mayor investigación usando este sistema, el método en sí podría tener aplicaciones mucho más amplias ". Lo vemos como el marco que se puede aplicar a cualquier desafío de diseño de materiales en el que se encuentrerealmente tratando de abordar múltiples objetivos a la vez. Ya sabes, todos los desafíos de diseño de materiales más interesantes son aquellos en los que tienes una cosa que estás tratando de mejorar, pero mejorar eso empeora otra. Y para nosotros, la pareja de redox de la batería de flujo redoxfue solo una buena demostración de dónde creemos que podemos llegar con este aprendizaje automático y el descubrimiento acelerado de materiales "
Por ejemplo, la optimización de catalizadores para diversos procesos químicos e industriales es otro tipo de búsqueda de materiales tan complejos, dice Kulik. Los catalizadores usados a menudo involucran elementos raros y costosos, por lo que encontrar compuestos igualmente efectivos basados en materiales abundantes y económicos podría ser un factor significativoventaja.
"Este artículo representa, creo, la primera aplicación de la mejora dirigida multidimensional en las ciencias químicas", dice. Pero la importancia a largo plazo del trabajo está en la metodología misma, debido a cosas que podrían no ser posibles en el futuro.todo lo contrario ". Empiezas a darte cuenta de que incluso con cálculos paralelos, estos son casos en los que no hubiéramos ideado un principio de diseño de ninguna otra manera. Y estas pistas que están surgiendo de nuestro trabajo, no son necesariamentetodas las ideas que ya se conocían de la literatura o que un experto podría haber señalado ".
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por David L. Chandler. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :