El aprendizaje automático se utiliza para predecir la síntesis de nuevos materiales complejos.

Los científicos y las instituciones dedican más recursos cada año al descubrimiento de nuevos materiales para alimentar al mundo. Con la disminución de los recursos naturales y la creciente demanda de productos de mayor valor y rendimiento avanzado, los investigadores buscan cada vez más nanomateriales.

Las nanopartículas ya se han abierto camino en aplicaciones que van desde el almacenamiento y la conversión de energía hasta la computación cuántica y la terapéutica. Pero dada la síntesis sintética y la enorme estructura que permite la nanoquímica, los enfoques experimentales secuenciales para identificar nuevos materiales imponen limitaciones insuperables al descubrimiento.

Ahora, los investigadores de la Northwestern University y el Toyota Research Institute (TRI) han aplicado con éxito el aprendizaje automático para guiar la síntesis de nuevos nanomateriales, eliminando las barreras asociadas con el descubrimiento de materiales. El algoritmo altamente capacitado se tamizó a través de un conjunto de datos específico para predecir con precisión las nuevas estructuras que podrían impulsar los procesos en las industrias de energía limpia, química y automotriz.

“Le pedimos al modelo que nos dijera qué mezclas de hasta siete elementos harían algo que no se había hecho antes”, dijo. Chad Mirkin, experto de Northwestern en nanotecnología y autor correspondiente del artículo. “La máquina predijo 19 posibilidades, y después de probar empíricamente cada una de ellas, encontramos que 18 de las predicciones eran correctas”.

El estudio, “Diseño acelerado para el aprendizaje automático y síntesis de estructuras heterogéneas de elementos múltiples”, Publicado hoy (22 de diciembre) en Science Advances.

Mirkin es profesor de química por George B Facultad de Artes y Ciencias de Weinberg; Profesor de Ciencia e Ingeniería Química, Biológica, Biomédica y de Materiales en Escuela de Ingeniería McCormick; y profesor de medicina en Facultad de Medicina Feinberg. También es el director fundador de Instituto Internacional de Nanotecnología.

Mapeo del material del genoma

Según Mirkin, lo que hace que esto sea tan importante es el acceso a conjuntos de datos de alta calidad sin precedentes porque los modelos de aprendizaje automático y los algoritmos de IA solo pueden ser tan buenos como los datos utilizados para entrenarlos.

Mirkin inventó la herramienta de generación de datos, llamada “Megalibrary” y amplía enormemente el campo de visión del investigador. Cada biblioteca masiva incluye millones o incluso miles de millones de nanoestructuras, cada una con una forma, estructura y composición ligeramente distintas, todas codificadas tópicamente en un chip de 2 x 2 cm cuadrados. Hasta ahora, cada diapositiva contiene más materiales inorgánicos nuevos que nunca antes recopilados y clasificados por científicos.

READ  La OMS hace un llamado a los países - Edexlive

Chad Mirkin

El equipo de Mirkin desarrolló bibliotecas Megal utilizando una tecnología (también inventada por Mirkin) llamada litografía de pluma polimérica, una nanolitografía paralela a gran escala que permite depositar cientos de miles de características cada segundo.

Al mapear el genoma humano, a los científicos se les asignó la tarea de identificar conjuntos de cuatro bases. Pero el vagamente sinónimo “genoma de materiales” incluye los grupos de nanopartículas de cualquiera de los 118 elementos utilizables en la tabla periódica, así como parámetros de forma, tamaño, morfología de fase, estructura cristalina y más. La construcción de subconjuntos más pequeños de nanopartículas en bibliotecas masivas acercará a los investigadores a completar un mapa completo del genoma de los materiales.

Incluso con algo similar al “genoma” de los materiales, dijo Mirkin, decidir cómo usarlos o clasificarlos requiere diferentes herramientas.

“Incluso si pudiéramos fabricar materiales más rápido que nadie en la Tierra, esto aún sería una gota de agua en un océano de posibilidades”, dijo Mirkin. “Queremos definir el genoma de los materiales y extraerlos, y la forma en que lo hacemos es a través de la inteligencia artificial”.

Las aplicaciones de aprendizaje automático son ideales para abordar la complejidad de identificar y extraer genomas de materiales, pero se rigen por la capacidad de crear conjuntos de datos para entrenar algoritmos en el espacio. Merkin dijo que la combinación de bibliotecas Megal y aprendizaje automático puede finalmente eliminar este problema, lo que lleva a una comprensión de los parámetros que impulsan las propiedades de ciertos materiales.

Sustancias que ningún químico puede predecir.

Si las Megalibraries proporcionan un mapa, el aprendizaje automático proporciona la leyenda.

Utilizar las bibliotecas Megal como fuente de datos de materiales a gran escala y de alta calidad para entrenar algoritmos de inteligencia artificial (IA), lo que permite a los investigadores alejarse de la “intuición química pesada” y los experimentos secuenciales que suelen acompañar al proceso de descubrimiento de materiales, según Mirkin.

“Northwestern tiene capacidades de ensamblaje y capacidades de caracterización de última generación para determinar las estructuras de nuestros materiales”, dijo Mirkin. “Trabajamos con el equipo de IA en TRI para crear entradas de datos para algoritmos de IA que finalmente hicieron estas predicciones sobre materiales que ningún químico podría predecir”.

READ  Un asteroide gigante más grande que el Empire State Building está a punto de pasar por la Tierra

En el estudio, el equipo sintetizó datos estructurales previamente generados en la biblioteca Megal que consisten en nanopartículas con composiciones, estructuras, tamaños y formas complejas. Utilizaron estos datos para entrenar el modelo y le pidieron que prediga las combinaciones de cuatro, cinco y seis elementos que conducirían a una característica estructural particular. En 19 predicciones, el modelo de aprendizaje automático predijo correctamente el nuevo material 18 veces, con una tasa de precisión cercana al 95%.

Con poco conocimiento de química o física, utilizando solo los datos de entrenamiento, el modelo pudo predecir con precisión estructuras complejas que nunca existieron en la Tierra.

“Como sugieren estos datos, la aplicación del aprendizaje automático, combinada con la tecnología de megalibliotecas, puede ser la forma de identificar en última instancia los genomas de los materiales”, dijo Joseph Montoya, investigador principal del TRI.

Las nanopartículas metálicas son prometedoras para catalizar reacciones industriales críticas como la evolución de hidrógeno y dióxido de carbono (CO).2) Reducción y reducción de oxígeno y su evolución. El modelo se entrenó en un gran conjunto de datos construido desde el noroeste para buscar nanopartículas polimetálicas con parámetros específicos sobre fase, tamaño, dimensiones y otras características estructurales que alteran las propiedades y la función de las nanopartículas.

La tecnología megalibrary también puede impulsar descubrimientos en muchas áreas críticas para el futuro, incluido el reciclaje de plástico, las células solares, los superconductores y los qubits.

Una herramienta que funciona mejor con el tiempo.

Antes del advenimiento de las bibliotecas masivas, las herramientas de aprendizaje automático se capacitaban en conjuntos de datos incompletos recopilados por diferentes personas en diferentes momentos, lo que limitaba su previsibilidad y generalización. Las bibliotecas de Megal permiten que las herramientas de aprendizaje automático hagan lo que mejor saben hacer: aprender y aumentar la inteligencia con el tiempo. Mirkin dijo que su modelo solo mejorará en la predicción de los sujetos correctos, ya que se alimenta con más datos de alta calidad recopilados en condiciones controladas.

READ  Noticias de coronavirus en vivo: Se levantó la cuarentena de doble línea; Vietnam registra el total diario más alto | noticias del mundo

“Establecer esta capacidad de inteligencia artificial se trata de poder predecir qué materiales se necesitan para cualquier aplicación”, dijo Montoya. “Cuantos más datos tengamos, más predictivos seremos. Cuando comienzas a entrenar una IA, comienzas por localizarla en un conjunto de datos y, a medida que aprende, sigues agregando más y más datos; es como llevar a un niño y continuar desde el jardín de infantes hasta el doctorado. La experiencia y el conocimiento combinados, al final, hasta dónde pueden llegar “.

El equipo ahora está utilizando este enfoque para encontrar catalizadores críticos para los procesos de abastecimiento de combustible en las industrias de energía limpia, automotriz y química. La identificación de nuevos catalizadores ecológicos permitirá la conversión de productos de desecho y abundantes materias primas en material útil, la generación de hidrógeno, la utilización de dióxido de carbono y el desarrollo de pilas de combustible. Los catalizadores producidos también pueden usarse para reemplazar materiales caros y raros como el iridio, el metal usado para generar hidrógeno verde y dióxido de carbono.2 productos con descuento.

La investigación fue apoyada por TRI. El apoyo adicional provino de la Fundación Sherman Fairchild y la Oficina de Investigación Científica de la Fuerza Aérea (números de premio FA9550-16-1-0150 y FA9550-18-1-0493). Los coautores de la Universidad Northwestern son Carolyn B. Wahl, estudiante de doctorado en ciencia e ingeniería de materiales y estudiante de doctorado en química Jordan H. Swisher, y ambos son miembros del Laboratorio Mirkin. De los autores de TRI Muratahan Aikol y Montoya.

Este trabajo se benefició de la instalación EPIC del Centro NUANCE de la Universidad Northwestern, que recibió el apoyo del recurso experimental para nanotecnología blanda e híbrida (SHyNE) (NSF ECCS-1542205); Programa MRSEC (NSF DMR-1720139) en el Centro de Investigación de Materiales; Instituto Internacional de Nanotecnología (IIN); La Fundación Keck y el estado de Illinois, por Information Network International.

/Liberación General. Este material de la (s) organización (es) original (es) puede ser de naturaleza puntual y está editado para mayor claridad, estilo y extensión. Las opiniones y opiniones expresadas son las del autor (es). Muéstralo en su totalidad aquí.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *