IA interpretable en el descubrimiento de materiales: Descubriendo cómo realizan sus predicciones los modelos
El método propuesto extrae información de los modelos de IA y agrupa los materiales en función de su similitud tanto estructural como espectral óptica
Anuncios
Investigadores japoneses han desarrollado un método para interpretar los modelos de inteligencia artificial (IA) utilizados en el descubrimiento de materiales mediante el análisis de las características que estos han aprendido. El método extrae características clave de un modelo de IA entrenado con datos de estructuras atómicas y espectros de absorción óptica, y luego agrupa los materiales con características estructurales y espectrales similares. Este enfoque puede ampliarse para revelar cómo las disposiciones atómicas influyen en otras propiedades de los materiales, allanando el camino para un diseño de materiales más eficiente.
El método propuesto combina una red neuronal de grafos con la agrupación jerárquica para extraer características clave que relacionan la estructura cristalina con los espectros ópticos; a continuación, agrupa los materiales con características estructurales y espectrales similares, revelando patrones que pueden servir de guía para el diseño de materiales.
Institute of Science Tokyo
En los últimos años, la inteligencia artificial (IA) se ha convertido en una potente herramienta para predecir cómo se comportarán los materiales basándose en su estructura atómica, lo que ayuda a los investigadores a descubrir nuevos materiales más rápidamente y a reducir la dependencia de los métodos de prueba y error. Sin embargo, muchos de estos modelos funcionan como «cajas negras». Pueden realizar predicciones precisas, pero no explican cómo se hacen esas predicciones. Esto dificulta la comprensión de las relaciones entre la estructura de un material y sus propiedades, lo que limita la utilidad de estos modelos para orientar el desarrollo de nuevos diseños.
Ahora, en un estudio, investigadores del Instituto de Ciencia de Tokio (Science Tokyo), Japón, han desarrollado un método para hacer que estos modelos sean más interpretables. Su enfoque consiste en analizar un modelo de IA entrenado y extraer las características clave que ha aprendido sobre cómo se relaciona la estructura cristalina con los espectros ópticos. Utilizando estas características, los investigadores agruparon a continuación los materiales que comparten espectros ópticos y características estructurales similares.
El estudio fue dirigido por el profesor adjunto Akira Takahashi, el profesor Fumiyasu Oba (también jefe de proyecto en KISTEC, Japón), y el estudiante de máster Arata Takamatsu (en el momento de la investigación) del Laboratorio de Materiales y Estructuras de Science Tokyo, en colaboración con el profesor Yu Kumagai del Instituto de Investigación de Materiales de la Universidad de Tohoku, Japón.
«Nuestro método de clasificación propuesto permite comprender en detalle cómo los modelos de predicción de IA realizan sus predicciones, es decir, extrayendo factores clave para las formas espectrales deseadas y, de ese modo, proporcionando información física y química útil para el diseño de materiales», afirma Takahashi.
Las propiedades de los materiales suelen depender de ciertos parámetros y se describen mediante datos espectrales; por ejemplo, los espectros de absorción óptica que capturan cómo interactúa la luz con el material en diferentes longitudes de onda. En comparación con las propiedades representadas por un único número, los datos espectrales son mucho más ricos y complejos, lo que dificulta su interpretación mediante métodos de IA convencionales.
Los investigadores utilizaron una red neuronal de grafos atómicos (ALIGNN), una arquitectura de red neuronal de grafos ya existente, entrenada para predecir espectros de absorción óptica a partir de la estructura atómica utilizando datos de 2681 óxidos metálicos, calcogenuros y compuestos relacionados. A partir del modelo entrenado, extrajeron características de sus capas internas y aplicaron la agrupación jerárquica, un método que agrupa elementos en función de su similitud. Esto les permitió clasificar los materiales en grupos distintos que compartían tanto características estructurales —como la composición elemental, la coordinación atómica, las longitudes de enlace y los ángulos de enlace— como formas espectrales similares.
Cabe destacar que el modelo aprendió estos patrones a partir de la estructura atómica únicamente, sin que se le proporcionaran como entrada los estados de oxidación ni las configuraciones electrónicas, lo que indica que había captado internamente relaciones significativas entre la estructura y las propiedades.
Las propiedades ópticas desempeñan un papel clave en muchas aplicaciones. Afectan al aspecto de un material, lo cual es importante para los pigmentos y los colorantes, y determinan cómo interactúa con la luz en dispositivos como las células solares y los fotodetectores. Comprender qué especies elementales y características estructurales dan forma a estos espectros es, por lo tanto, clave para establecer directrices de diseño racionales para dichos materiales.
Además, el enfoque no se limita a los espectros ópticos: puede ampliarse para determinar cómo la estructura de un material influye en su comportamiento bajo diferentes condiciones, como la temperatura o la presión, lo que abre nuevas posibilidades para el diseño de materiales con propiedades específicas y útiles. Como se ha demostrado aquí para la absorción óptica, el enfoque puede aplicarse a una amplia gama de propiedades espectrales, lo que permite a los investigadores identificar factores comunes compartidos por diferentes materiales e inferir los orígenes de las características espectrales deseadas.
«Ha sido difícil interpretar lo que los modelos de aprendizaje automático han aprendido sobre las propiedades espectrales. En este trabajo, hemos desarrollado un método general para extraer dicha información, que creemos que resultará de gran utilidad para la investigación de materiales», concluye Takahashi.
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.
Publicación original
Más noticias del departamento ciencias
