Aplicación exitosa del aprendizaje automático en el descubrimiento de nuevos polímeros

24.07.2019

Figura 1. Proceso de descubrimiento: El flujo de trabajo de ML consiste en dos pasos diferentes de predicción; las predicciones hacia adelante y hacia atrás. El objetivo de la predicción a futuro es crear un conjunto de modelos de predicción que describan diversas propiedades poliméricas (por ejemplo, conductividad térmica, temperatura de transición vítrea) en función de las estructuras químicas de las unidades de repetición constitucionales. En este caso, se utilizó un marco de ML llamado aprendizaje de transferencia para superar el problema de los datos limitados sobre conductividad térmica: los modelos de predicción de algunas propiedades de proxy se preentrenaron en conjuntos de datos grandes dados, y luego los modelos preentrenados se afinaron utilizando los datos limitados sobre la propiedad objetivo. Invirtiendo los modelos de avance entrenados, derivamos un modelo de retroceso condicionado por un requisito de propiedad deseado. Resolviendo este problema inverso, los materiales que exhiben las propiedades deseadas fueron creados computacionalmente.

Como un poderoso ejemplo de cómo la inteligencia artificial (IA) puede acelerar el descubrimiento de nuevos materiales, los científicos en Japón han diseñado y verificado polímeros con alta conductividad térmica - una propiedad que sería la clave para la gestión del calor, por ejemplo, en las tecnologías de comunicación móvil de quinta generación (5G). Su estudio destaca las grandes ventajas de los métodos de aprendizaje automático frente a los métodos tradicionales de búsqueda de materiales de alto rendimiento.

Un grupo de investigación conjunto que incluye a Ryo Yoshida (Profesor y Director del Data Science Center for Creative Design and Manufacturing en el Institute of Statistical Mathematics[ISM], Research Organization of Information and Systems), Junko Morikawa (Profesor en la Escuela de Materiales y Tecnología Química, Tokyo Institute of Technology[Tokyo Tech]), y Yibin Xu (Group Leader of Thermal Management and Thermoelectric Materials Group, Center for Materials Research by Information Integration, Research and Services Division of Materials Data and Integrated System[MaDIS], NIMS) ha demostrado la prometedora aplicación del aprendizaje automático (ML), una forma de inteligencia artificial que permite a los ordenadores "aprender" a partir de datos determinados, para descubrir materiales innovadores.

Al informar de sus hallazgos en la revista de acceso abierto npj Computational Materials, los investigadores muestran que su método ML, que incluye "aprendizaje de transferencia", permite el descubrimiento de materiales con las propiedades deseadas incluso a partir de un conjunto de datos muy pequeño.

El estudio se basó en un conjunto de datos de propiedades poliméricas de PoLyInfo, la mayor base de datos de polímeros del mundo alojada en el NIMS. A pesar de su gran tamaño, PoLyInfo tiene una cantidad limitada de datos sobre las propiedades de transferencia de calor de los polímeros. Para predecir las propiedades de transferencia de calor a partir de los datos limitados dados, los modelos ML sobre propiedades de proxy fueron preentrenados cuando se disponía de datos suficientes sobre las tareas relacionadas; estos modelos preentrenados capturaron características comunes relevantes para la tarea objetivo. La reorientación de estas características adquiridas por la máquina en la tarea objetivo produjo un rendimiento de predicción excepcional incluso con los conjuntos de datos extremadamente pequeños, como si los expertos humanos altamente experimentados pudieran hacer inferencias racionales incluso para tareas considerablemente menos experimentadas. El equipo combinó este modelo con un algoritmo ML especialmente diseñado para el diseño molecular computacional, llamado algoritmo iQSPR, desarrollado previamente por Yoshida y sus colegas. La aplicación de esta técnica permitió la identificación de miles de polímeros "virtuales" prometedores.

De este gran grupo de candidatos, se seleccionaron tres polímeros en base a su facilidad de síntesis y procesamiento.

Las pruebas confirmaron que los nuevos polímeros tienen una alta conductividad térmica de hasta 0,41 vatios por metro Kelvin (W/mK). Esta cifra es un 80 por ciento más alta que la de las poliimidas típicas, un grupo de polímeros de uso común que se han producido en masa desde los años 50 para aplicaciones que van desde pilas de combustible hasta utensilios de cocina.

Al verificar las propiedades de transferencia de calor de los polímeros diseñados computacionalmente, el estudio representa un avance clave para métodos rápidos, rentables y apoyados por ML para el diseño de materiales. También demuestra la experiencia combinada del equipo en ciencia de datos, síntesis orgánica y tecnologías de medición avanzadas.

Yoshida comenta que aún quedan muchos aspectos por explorar, como el "entrenamiento" de sistemas computacionales para trabajar con datos limitados, añadiendo descriptores más adecuados. "El aprendizaje de máquinas para el diseño de polímeros o materiales blandos es un campo desafiante pero prometedor, ya que estos materiales tienen propiedades que difieren de las de los metales y la cerámica, y aún no están completamente predichas por las teorías existentes", dice.

El estudio es un punto de partida para el descubrimiento de otros materiales innovadores, como añade Morikawa: "Nos gustaría intentar crear un sistema computacional de alto rendimiento impulsado por ML para diseñar materiales blandos de próxima generación para aplicaciones que van más allá de la era 5G. A través de nuestro proyecto, pretendemos continuar no sólo con el desarrollo de la informática de materiales, sino también contribuir al avance fundamental de la ciencia de los materiales, especialmente en el campo de la ingeniería fonética3".

Este trabajo se llevó a cabo como parte de la iniciativa "Investigación de materiales mediante la integración de la información" (MI2I), un acelerador de innovación abierta seleccionado por la Agencia Japonesa de Ciencia y Tecnología (JST) como un programa de apoyo para la puesta en marcha de un centro de innovación e implementado por el NIMS.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Hechos, antecedentes, expedientes
  • inteligencia artificial
  • polímeros
Más sobre Tokyo Institute of Technology
  • Noticias

    ¿Podría el calor de la corteza terrestre convertirse en la fuente de energía definitiva?

    Científicos del Instituto de Tecnología de Tokio y de Sanoh Industrial desarrollaron una batería muy estable que puede convertir directamente el calor en electricidad, proporcionando así finalmente una forma de explotar la energía geotérmica de forma sostenible. En un mundo en el que el con ... más

    ¿Qué tan pequeños pueden llegar a ser?

    Científicos del Instituto de Tecnología de Tokio y de la Universidad de Tsukuba demuestran que los polímeros podrían desempeñar un papel clave en la fabricación de dispositivos electrónicos monomoleculares, lo que nos permite ampliar los límites de la revolución de la nanoelectrónica. Uno d ... más

Su navegador no está actualizado. Microsoft Internet Explorer 6.0 no es compatible con algunas de las funciones de Chemie.DE.