20.10.2021 - University of Tokyo

La IA predice amplias propiedades de los materiales para derribar un muro hasta ahora infranqueable

Si las propiedades de los materiales pueden predecirse de forma fiable, el proceso de desarrollo de nuevos productos para una gran variedad de industrias puede agilizarse y acelerarse. En un estudio publicado en Advanced Intelligent Systems, investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio utilizaron la espectroscopia de pérdida de núcleo para determinar las propiedades de las moléculas orgánicas mediante el aprendizaje automático.

Las técnicas de espectroscopia de pérdida de energía cerca de los bordes (ELNES) y de rayos X cerca de los bordes (XANES) se utilizan para determinar información sobre los electrones, y a través de ellos los átomos, en los materiales. Tienen una alta sensibilidad y una gran resolución y se han utilizado para investigar una serie de materiales, desde dispositivos electrónicos hasta sistemas de administración de fármacos.

Sin embargo, la conexión de los datos espectrales con las propiedades de un material, como las propiedades ópticas, la conductividad de los electrones, la densidad y la estabilidad, sigue siendo ambigua. Se han utilizado enfoques de aprendizaje automático (ML) para extraer información de grandes conjuntos de datos complejos. Estos enfoques utilizan redes neuronales artificiales, que se basan en el funcionamiento de nuestro cerebro, para aprender constantemente a resolver problemas. Aunque el grupo utilizó anteriormente los espectros ELNES/XANES y el ML para averiguar información sobre los materiales, lo que encontraron no estaba relacionado con las propiedades del propio material. Por tanto, la información no podía traducirse fácilmente en desarrollos.

Ahora el equipo ha utilizado el ML para revelar información oculta en los espectros ELNES/XANES simulados de 22.155 moléculas orgánicas. "Los espectros ELNES/XANES de las moléculas, o sus "descriptores" en este escenario, se introdujeron en el sistema", explica el autor principal, Kakeru Kikumasa. "Este descriptor es algo que puede medirse directamente en los experimentos y, por tanto, puede determinarse con alta sensibilidad y resolución. Este método es muy beneficioso para el desarrollo de materiales porque tiene el potencial de revelar dónde, cuándo y cómo surgen ciertas propiedades del material."

Un modelo creado únicamente a partir de los espectros fue capaz de predecir con éxito lo que se conoce como propiedades intensivas. Sin embargo, no pudo predecir las propiedades extensivas, que dependen del tamaño molecular. Por tanto, para mejorar la predicción, el nuevo modelo se construyó incluyendo las proporciones de tres elementos en relación con el carbono (que está presente en todas las moléculas orgánicas) como parámetros adicionales para poder predecir correctamente propiedades extensivas como el peso molecular.

"Nuestro tratamiento de aprendizaje ML de los espectros de pérdida de núcleo proporciona una predicción precisa de las propiedades extensas del material, como la energía interna y el peso molecular. La relación entre los espectros de pérdida de núcleo y las propiedades extensivas no se había establecido nunca; sin embargo, la inteligencia artificial fue capaz de desvelar las conexiones ocultas. Nuestro enfoque también podría aplicarse para predecir las propiedades de nuevos materiales y funciones", afirma el autor principal, Teruyasu Mizoguchi. "Creemos que nuestro modelo será una herramienta muy útil para el desarrollo de materiales de alto rendimiento en una amplia gama de industrias".

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
Más sobre University of Tokyo
  • Noticias

    ¿El futuro de la desalinización?

    La escasez de agua es un problema creciente en todo el mundo. La desalinización del agua de mar es un método establecido para producir agua potable, pero conlleva un enorme coste energético. Por primera vez, los investigadores utilizan nanoestructuras basadas en el flúor para filtrar con éx ... más

    Visualizar lo invisible

    Existen múltiples formas de crear modelos bidimensionales y tridimensionales de átomos y moléculas. Con la llegada de aparatos de última generación que permiten obtener imágenes de muestras a escala atómica, los científicos descubrieron que los modelos moleculares tradicionales no se ajusta ... más

    Una sola molécula da un gran salto en la comprensión de los dos tipos de agua

    Desempeña un papel fundamental en la existencia humana y es uno de los principales componentes de nuestro universo, pero todavía hay cosas que no entendemos sobre el agua. Para subsanar estas lagunas, un equipo de colaboración del Instituto de Ciencias Industriales, la Universidad de Tokio, ... más