Una IA acelera el descubrimiento de materiales en las industrias tecnológicas emergentes

Los materiales inorgánicos en estado sólido son fundamentales para el crecimiento y desarrollo de las tecnologías de vehículos eléctricos, teléfonos celulares, baterías de computadoras portátiles y energía solar. Sin embargo, encontrar los materiales ideales con las funciones deseadas para estas industrias es extremadamente difícil. Jianjun Hu, profesor asociado de informática en la Universidad de Carolina del Sur es el investigador principal de un proyecto para generar nuevos materiales hipotéticos.

Debido al vasto espacio de diseño químico y a la gran escasez de candidatos, los ensayos experimentales y las simulaciones computacionales de primer orden no pueden utilizarse como herramientas de detección para resolver este problema. En su lugar, los investigadores han desarrollado un algoritmo inteligente basado en el aprendizaje profundo que utiliza una técnica llamada modelo de red generativa adversaria (GAN) para mejorar drásticamente la eficiencia de la búsqueda de materiales hasta dos órdenes de magnitud. Tiene el potencial de acelerar enormemente el descubrimiento de nuevos materiales funcionales.

El trabajo, publicado en NPJ Computational Materials, fue una colaboración entre investigadores de la Facultad de Ingeniería y Computación de la Universidad de Carolina del Sur y la Universidad de Guizhou, una universidad de investigación ubicada en Guiyang, China.

Inspirados por la técnica de aprendizaje profundo utilizada en el AlphaGo de Google, que aprendió las reglas implícitas del juego de mesa Go para derrotar a los mejores jugadores del juego, los investigadores utilizaron su red neural GAN para aprender las reglas implícitas de la composición química de los átomos en diferentes elementos para ensamblar fórmulas químicamente válidas. Al entrenar sus modelos de aprendizaje profundo utilizando las decenas de miles de materiales inorgánicos conocidos depositados en bases de datos como ICSD y OQMD, crearon un modelo de aprendizaje de máquina generativa capaz de generar millones de nuevas fórmulas hipotéticas de material inorgánico.

“Hay casi un número infinito de nuevos materiales que podrían existir, pero aún no han sido descubiertos”, dijo Jianjun Hu. “Nuestro algoritmo, es como un motor de generación. Usando este modelo, podemos generar un montón de nuevos materiales hipotéticos que tienen muy altas probabilidades de existir.”

Sin modelar explícitamente o hacer cumplir las restricciones químicas como la neutralidad de la carga y la electronegatividad, el algoritmo inteligente basado en el aprendizaje profundo aprendió a observar tales reglas al generar millones de fórmulas de materiales hipotéticos. El poder de predicción del algoritmo ha sido verificado tanto por los materiales conocidos como por los recientes descubrimientos en la literatura de descubrimiento de materiales. “Una de las principales ventajas de nuestro algoritmo es su gran validez, su singularidad y su novedad, que son las tres principales métricas de evaluación de tales modelos generativos”, dijo Shaobo Li, un profesor de la Universidad de Guizhou que participó en este estudio.

Esta no es la primera vez que se ha creado un algoritmo para el descubrimiento de materiales. Los algoritmos anteriores también fueron capaces de producir millones de potenciales nuevos materiales. Sin embargo, muy pocos de los materiales descubiertos por estos algoritmos eran sintetizables debido a su alta energía libre e inestabilidad. En contraste, casi el 70 por ciento de los materiales inorgánicos identificados por el equipo de Hu es muy probable que sean estables y luego posiblemente sintetizables.

“Puedes obtener cualquier número de combinaciones de fórmulas poniendo juntos los símbolos de los elementos. Pero eso no significa que la física pueda existir”, dijo Ming Hu, un profesor asociado de ingeniería mecánica en la UofSC también involucrado en la investigación. “Así que nuestro algoritmo y el siguiente paso, el algoritmo de predicción de estructuras, aumentará dramáticamente la velocidad de exploración de nuevos materiales funcionales creando compuestos sintetizables”.

Estos nuevos materiales ayudarán a los investigadores en campos como los vehículos eléctricos, la energía verde, la energía solar y el desarrollo de teléfonos celulares, mientras buscan continuamente nuevos materiales con funcionalidades optimizadas. Dado que el proceso actual de descubrimiento de materiales es tan lento, el crecimiento de estas industrias se ha visto limitado por los materiales de que disponen.

El siguiente gran paso del equipo es predecir la estructura cristalina de las fórmulas generadas, lo cual es actualmente un gran desafío. Sin embargo, el equipo ya ha comenzado a trabajar en este desafío junto con varios equipos internacionales líderes. Una vez resuelto, los dos pasos pueden combinarse para descubrir muchos materiales potenciales para la conversión de energía, el almacenamiento y otras aplicaciones.