Una técnica de inteligencia artificial, el aprendizaje automático, está ayudando a acelerar el desarrollo de materiales altamente ajustables conocidos como marcos organometálicos MOF que tienen aplicaciones importantes en separaciones químicas, adsorción, catálisis y detección.
Utilizando datos sobre las propiedades de más de 200 MOF existentes, la plataforma de aprendizaje automático se entrenó para ayudar a guiar el desarrollo de nuevos materiales al predecir una propiedad a menudo esencial: la estabilidad del agua. Con la orientación del modelo, los investigadores pueden evitar el tiempo-consumiendo la tarea de sintetizar y luego probar experimentalmente nuevos MOF candidatos para su estabilidad acuosa. Ya, los investigadores están expandiendo el modelo para predecir otras propiedades importantes de MOF.
Con el apoyo del programa de Ciencias Energéticas Básicas de la Oficina de Ciencias dentro del Departamento de Energía de EE. UU. DOE, la investigación se publicó el 9 de noviembre en la revista Inteligencia de la máquina de la naturaleza . La investigación se llevó a cabo en el Centro para la comprensión y el control de la evolución de materiales para la energía inducida por gas ácido UNCAGE-ME, un Centro de investigación de frontera energética del DOE ubicado en el Instituto de Tecnología de Georgia.
"El problema de la estabilidad del agua con MOF ha existido en este campo durante mucho tiempo, sin una manera fácil de predecirlo", dijo Krista Walton, profesora y miembro de la facultad Robert "Bud" Moeller en la Escuela de Química y Biomolecular de Georgia Tech.Ingeniería ". En lugar de tener que hacer la síntesis y la experimentación para resolver esto para cada MOF candidato, este modelo de aprendizaje automático ahora proporciona una forma de predecir la estabilidad del agua dado un conjunto de características deseadas. Esto realmente acelerará el proceso de identificación de nuevosmateriales para aplicaciones específicas. "
Los MOF son una clase de materiales porosos y cristalinos que se sintetizan a partir de iones metálicos inorgánicos o grupos conectados a ligandos orgánicos. Son conocidos por sus componentes fácilmente ajustables que pueden personalizarse para aplicaciones específicas, pero la gran cantidad de combinaciones potenciales lo convierte endifícil elegir MOF con las propiedades deseadas. Ahí es donde la inteligencia artificial puede ayudar.
El aprendizaje automático está desempeñando un papel cada vez más importante en la ciencia de los materiales, dijo Rampi Ramprasad, profesor y presidente de la familia Michael E. Tennenbaum en la Georgia Tech School of Materials Science and Engineering y Georgia Research Alliance Eminent Scholar in Energy Sustainability.
"Cuando los científicos de materiales planean el siguiente conjunto de experimentos, usamos la intuición y los conocimientos que hemos acumulado del pasado", dijo Ramprasad. "El aprendizaje automático nos permite aprovechar completamente este conocimiento pasado de la manera más eficiente y efectiva. Si ya se han realizado 200 experimentos, el aprendizaje automático nos permite aprovechar todo lo que se ha aprendido de ellos mientras planificamos el experimento 201 ".
Más allá de los datos experimentales, el aprendizaje automático también puede utilizar los resultados de simulaciones basadas en la física. Y, a diferencia de las simulaciones, los resultados de los modelos de aprendizaje automático pueden ser instantáneos. El algoritmo de aprendizaje automático mejora a medida que recibe más información, señaló, y ambos aspectos negativosy los resultados positivos son útiles.
"Los grandes descubrimientos son tan importantes como los no tan emocionantes, los experimentos fallidos, porque el aprendizaje automático utiliza ambos extremos del espectro para mejorar en lo que hace", dijo Ramprasad.
El modelo de aprendizaje automático utilizó información que Walton y su equipo de investigación habían recopilado sobre cientos de materiales MOF existentes, tanto de compuestos desarrollados en su propio laboratorio como de los reportados por otros investigadores. Para preparar la información del modelo para aprender, categorizócada MOF de acuerdo con cuatro medidas de estabilidad del agua.
"Los doscientos puntos de datos utilizados para construir el modelo representaron años de experimentos", dijo Walton. Pasé básicamente la primera mitad de mi carrera trabajando para comprender este problema de estabilidad del agua con MOF, por lo que es algo que hemos estudiado ampliamente."
Usando el modelo, los investigadores que están desarrollando nuevos adsorbentes y otros materiales porosos para aplicaciones específicas ahora pueden verificar sus fórmulas propuestas para determinar la probabilidad de que un nuevo MOF sea estable en presencia de agua. Eso podría ser particularmente útil para los investigadores queno tienen esta experiencia en particular o no tienen fácil acceso a métodos experimentales para examinar la estabilidad.
"La comunidad MOF es diversa, con una variedad de subcampos. No todos tienen la intuición química sobre qué características de los materiales conducen a una buena estabilidad del marco, y la evaluación experimental a menudo requiere equipos especializados que muchos laboratorios pueden no tener o no tendrían de otra maneranecesidad de su subcampo específico. Sin embargo, con buenos modelos predictivos, no necesariamente necesitarían desarrollarlo para elegir un material para una aplicación específica ", dijo Walton." Esta capacidad abre potencialmente este campo a un grupo más amplio de investigadores quepodría acelerar el desarrollo de aplicaciones ".
Si bien la detección de la estabilidad del agua es importante, Ramprasad dice que es solo el comienzo de los posibles beneficios del proyecto. El modelo de aprendizaje automático se puede entrenar para predecir otras propiedades siempre que exista una cantidad suficiente de datos. Por ejemplo, el equipoya está enseñando su modelo sobre los factores que afectan la absorción de metano bajo diferentes niveles de presión. En ese caso, las simulaciones proporcionarán muchos de los datos de los que aprenderá el modelo.
"Tendremos un predictor muy fuerte que nos dirá si un nuevo MOF sería estable en condiciones acuosas y un buen candidato para la absorción de metano", dijo. "Lo que estamos haciendo es crear una plataforma de aprendizaje automático universal y escalableque se pueden entrenar en nuevas propiedades. Siempre que los datos estén disponibles, el modelo puede aprender de ellos y hacer predicciones para nuevos casos ".
Además de los ya mencionados, los recientes becarios postdoctorales de Georgia Tech Rohit Batra y las estudiantes de posgrado de Georgia Tech Carmen Chen y Tania G. Evans también fueron coautores del Inteligencia de la máquina de la naturaleza papel.
Ramprasad tiene experiencia con técnicas de aprendizaje automático aplicadas a otros materiales y espacios de aplicación, y recientemente fue coautor de un artículo de revisión, "Ecosistemas emergentes de inteligencia de materiales propulsados por aprendizaje automático", sobre una gama de aplicaciones de inteligencia artificial en ciencia e ingeniería de materiales.desmitificar el aprendizaje automático y revisar las historias de éxito en el espacio de desarrollo de materiales, se publicó también el 9 de noviembre de 2020 en la revista Materiales de Nature Reviews .
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Georgia . Nota: el contenido se puede editar por estilo y longitud.
Referencias de revistas :
cite esta página :