Han desarrollado IA para predecir propiedades de materiales incluso con datos limitados

Investigadores del Instituto Indio de Ciencias (IISc), con colaboradores del University College de Londres, han desarrollado métodos basados ​​en el aprendizaje automático para predecir propiedades de materiales incluso con datos limitados. Esto puede ayudar en el descubrimiento de materiales con propiedades deseadas, como semiconductores.

En los últimos años, los ingenieros de materiales han recurrido a modelos de aprendizaje automático para predecir qué tipos de materiales pueden poseer propiedades específicas, como brechas de banda electrónica, energías de formación y propiedades mecánicas, con el fin de diseñar nuevos materiales.

Sin embargo, los datos sobre las propiedades de los materiales, que son necesarios para entrenar estos modelos, son limitados porque probar los materiales es costoso y requiere mucho tiempo.

Esto impulsó a los investigadores dirigidos por Sai Gautam Gopalakrishnan, profesor adjunto del Departamento de Ingeniería de Materiales del IISc, a trabajar para abordar este desafío.

En un nuevo estudio, han encontrado una forma eficiente de utilizar un enfoque de aprendizaje automático llamado aprendizaje por transferencia para predecir los valores de propiedades de materiales específicos.

En el aprendizaje por transferencia, primero se entrena previamente un modelo grande en un conjunto de datos grande y luego se ajusta para adaptarse a un conjunto de datos objetivo más pequeño.

“En este método, el modelo primero aprende a realizar una tarea simple como clasificar imágenes en, digamos, gatos y no gatos, y luego se entrena para una tarea específica, como clasificar imágenes de tejidos en aquellas que contienen tumores y aquellas que no contienen tumores para el diagnóstico de cáncer“, explica Gopalakrishnan.

Los modelos de aprendizaje automático procesan datos de entrada, como una imagen, y generan resultados, como identificar las formas presentes en la imagen.

La primera capa del modelo toma la entrada de la imagen sin procesar.

Las capas posteriores extraen características de la imagen, como los bordes, que se refinan progresivamente.

Las capas finales combinan estas características para reconocer y clasificar características de nivel superior, como las formas.

Estos modelos se pueden construir utilizando varias arquitecturas, como las redes neuronales gráficas (GNN), que funcionan con datos estructurados en gráficos como la estructura cristalina tridimensional de cualquier material.

En las redes neuronales de gran tamaño, la información de cada capa se representa como nodos (átomos en una estructura) y las conexiones entre los nodos se representan como aristas (enlaces entre átomos).

Para el estudio actual, el equipo de investigación desarrolló un modelo basado en redes neuronales de gran tamaño.

La arquitectura de las redes neuronales de gran tamaño, como la cantidad de capas y cómo están conectadas, determina la capacidad del modelo para aprender y reconocer características complejas en los datos.

El equipo primero determinó la arquitectura óptima necesaria para el modelo y el tamaño de los datos de entrenamiento necesarios para predecir las propiedades de los materiales.

También entrenaron previamente el modelo ajustando solo algunas capas mientras “congelaban” las demás, explica Reshma Devi, primera autora y estudiante de doctorado en el Departamento de Ingeniería de Materiales.

A este modelo optimizado y entrenado previamente, le proporcionaron datos sobre las propiedades de los materiales, como la constante dieléctrica y la energía de formación del material, como entrada, para que el modelo pudiera predecir los valores de propiedades específicas de los materiales, como el coeficiente piezoeléctrico.

El equipo descubrió que su modelo basado en el aprendizaje por transferencia, que primero se entrenó previamente y luego se afinó, funcionó mucho mejor que los modelos que se entrenaron desde cero.

También utilizaron un marco llamado Multi-property Pre-Training (MPT) en el que simultáneamente entrenaron previamente su modelo en siete propiedades de materiales tridimensionales diferentes.

Sorprendentemente, este modelo también pudo predecir el valor de la brecha de banda para materiales bidimensionales en los que no se entrenó.

El equipo ahora está utilizando este modelo para predecir la velocidad con la que los iones pueden moverse dentro de los electrodos de una batería, lo que potencialmente puede ayudar a construir mejores dispositivos de almacenamiento de energía.

“También se puede utilizar para fabricar mejores semiconductores al predecir su tendencia a formar defectos puntuales, lo que puede contribuir al impulso de la India hacia la fabricación de semiconductores”, agrega Gopalakrishnan.

Fuente: Nature