Los científicos de la Universidad de Carolina del Norte en Chapel Hill y la Universidad de Duke han creado el primer método de uso general para utilizar el aprendizaje automático para predecir las propiedades de nuevos metales, cerámicas y otros materiales cristalinos y para encontrar nuevos usos para los materiales existentes, undescubrimiento que podría ahorrar innumerables horas desperdiciadas en el proceso de prueba y error de crear nuevos y mejores materiales.
Los investigadores dirigidos por Olexandr Isayev, Ph.D. y Alexander Tropsha, Ph.D., en la Facultad de Farmacia UNC Eshelman utilizaron datos sobre aproximadamente 60,000 materiales únicos de la Base de Datos de Estructura de Cristal Inorgánico del Instituto Nacional de Estándares y Tecnología para crearuna nueva metodología que llaman Fragmentos de Materiales Etiquetados de Propiedades.
Utilizando el aprendizaje automático para analizar y modelar estructuras cristalinas existentes, el método PLMF puede predecir las propiedades de los nuevos materiales propuestos por científicos e ingenieros. La herramienta incluso pudo completar los valores faltantes para las propiedades de los materiales en la base de datos NIST quenunca había sido probado experimentalmente
"La tecnología a menudo es impulsada por el descubrimiento de nuevos materiales, pero el proceso de descubrir estos materiales siempre ha sido bastante casual", dijo Tropsha. "Nuestra nueva herramienta aplica el enfoque basado en datos y conocimiento que usamos en las ciencias farmacéuticaspara diseñar medicamentos. Debido a que crear nuevos materiales requiere una cantidad increíble de tiempo y esfuerzo que a menudo termina en desilusión, nuestra herramienta PLMF permite a los científicos de materiales probar una nueva idea antes de siquiera mover un dedo para sintetizarla ".
Tropsha es la profesora distinguida de KH Lee en la escuela y directora del Laboratorio de modelado molecular. Isayev es profesora asistente de investigación. Su trabajo fue publicado en Comunicaciones de la naturaleza .
El método PLMF funciona creando "huellas digitales" a partir de la estructura de los cristales que comprenden las unidades más pequeñas de materiales inorgánicos como cerámica, metales y aleaciones metálicas. La combinación de las huellas digitales con el aprendizaje automático permitió la creación de modelos universales capaces de predecir con precisión ochoPropiedades críticas electrónicas y termomecánicas de prácticamente cualquier material cristalino inorgánico. Las propiedades incluyen conductividad, rigidez y compresibilidad, transferencia de calor y respuesta al cambio de temperatura, y el equipo planea incorporar más propiedades a medida que recopilan más datos, dijo Isayev.
"En muchos proyectos prácticos, las personas conocen el rango de valores que desean para una propiedad en particular", dijo Isayev. "Podemos aprovechar lo que sabemos sobre estos materiales y el aprendizaje automático inteligente para seleccionar rápidamente materiales potenciales para la propiedad correcta. Investigadorespuede reducir rápidamente los materiales candidatos y evitar muchos cálculos extraños y complejos. Esto ahorra dinero, tiempo y recursos computacionales ".
En la primera aplicación práctica para el aprendizaje automático, el equipo trabajó con el profesor asistente Jim Cahoon, Ph.D., en el Departamento de Química de la UNC para diseñar un nuevo material de electrodo para un tipo de células solares de bajo costo.utiliza óxido de níquel, no es muy eficiente, tóxico y requiere solventes orgánicos para funcionar en la celda.
Los científicos examinaron virtualmente 50,000 compuestos inorgánicos conocidos e identificaron el titanato de plomo como el material más prometedor y las pruebas posteriores lo confirmaron. Los dispositivos que utilizan titanato de plomo exhibieron el mejor rendimiento en solución acuosa, permitiendo un cambio de solventes a una solución a base de agua quepodría ayudar a reducir los costos y ser más ecológico.
"El titanato de plomo probablemente no hubiera sido la primera opción de la mayoría de los científicos de materiales porque su estructura es muy diferente al óxido de níquel", dijo Isayev. "Los materiales derivados del hierro, el cobalto o el cobre serían más propensos a ser considerados porque sonquímicamente más similar al níquel. El PLMF y el aprendizaje automático encontraron soluciones simples y novedosas que ahorraron incontables horas de búsqueda de prueba y error ".
Fuente de la historia :
Materiales proporcionado por Universidad de Carolina del Norte en Chapel Hill . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :