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 teniendo en cuenta la extensa síntesis composicional y estructural, la nanoquímica ha podido definir enfoques experimentales en serie nuevo material Imponer limitaciones insuperables al descubrimiento.
Ahora, investigadores de la Northwestern University y el Toyota Research Institute (TRI) han aplicado con éxito aprendizaje automático 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 en nanotecnología de Northwestern 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 heteroestructuras de elementos múltiples», se publicará el 22 de diciembre en la revista. progreso de la ciencia.
Profesor Mirkin de Química por George B. Rathman en la Facultad de Artes y Ciencias de Weinberg. Catedrático de Ingeniería Química, Biológica y Biomédica, y Ciencia de los Materiales e ingeniería en McCormick College of Engineering; y profesor de Medicina en la Facultad de Medicina de Feinberg. También es el director fundador del 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 «Biblioteca Migal», 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.
El equipo de Mirkin desarrolló bibliotecas Megal utilizando una tecnología (también inventada por Mirkin) llamada litografía de pluma de polímero, una herramienta de nanoimpresión paralela a gran escala que permite depositar cientos de miles de características cada segundo.
Al asignar un archivo genes humanosA los académicos se les ha encomendado 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, eso sería una gota de agua en un océano potencial», 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 las bibliotecas Megal y el 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.
Uso de Megal Libraries como fuente de datos de materiales a gran escala y de alta calidad para la capacitación Inteligencia artificial Los algoritmos (IA) permiten a los investigadores alejarse de la «fuerte intuición química» 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 hacer».
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 de casi el 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 imperfectos 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 volverse más inteligentes 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.
“La creación de esta capacidad de inteligencia artificial se trata de poder predecir qué materiales se necesitan para cualquier aplicación”, dijo Montoya. «Cuantos más datos tenemos, más poder predictivo tenemos. Cuando comienzas a entrenar una IA, comienzas a localizarla en un conjunto de datos y, a medida que aprende, sigues agregando más y más datos, es como llevar a un niño y pasar del jardín de infancia al doctorado. La experiencia y el conocimiento combinados determinan en última instancia 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.
Carolin B. Wahl et al., Aprendizaje automático: diseño acelerado y síntesis de estructuras heterogéneas multicomponente, progreso de la ciencia (2021). DOI: 10.1126 / sciadv.abj5505. www.science.org/doi/10.1126/sciadv.abj5505
Introducción de
Northwestern University
La frase: Aprendizaje automático utilizado para predecir la síntesis de nuevos materiales complejos (2021, 22 de diciembre) Recuperado el 22 de diciembre de 2021 de https://phys.org/news/2021-12-machine-synthesis-complex-materials.html
Este documento está sujeto a derechos de autor. Sin perjuicio de cualquier trato justo con fines de estudio o investigación privados, no se puede reproducir ninguna parte sin permiso por escrito. El contenido se proporciona únicamente con fines informativos.
«Solucionador de problemas. Gurú de los zombis. Entusiasta de Internet. Defensor de los viajes sin disculpas. Organizador. Lector. Aficionado al alcohol».