Le applicazioni dell’intelligenza artificiale nell’ingegneria chimica sono aumentate rapidamente negli ultimi anni.
Recentemente, i ricercatori di Google AI e Caltech hanno scoperto nuovi ossidi metallici utilizzando stampanti a inchiostro e metodi di apprendimento automatico. Diversi studi hanno utilizzato l’apprendimento automatico per prevedere le qualità dei materiali, ma gli approcci erano intrinsecamente specializzati e non riuscivano a cogliere la natura globale del problema. Diamo un’occhiata a come tutto è andato giù.
Uso di algoritmi ML
Sono stati utilizzati algoritmi di apprendimento automatico per determinare l’idoneità di un materiale per un determinato attributo. Tuttavia, sono stati utilizzati per restringere l’elenco dei materiali eccezionali per ogni dato attributo. Di conseguenza, i ricercatori sono contrari all’utilizzo dell’apprendimento automatico per identificare materiali con caratteristiche particolari. Inoltre, i chimici spesso affermano un'”intuizione” riguardo ai modelli delle proprietà dei reagenti e ai rapporti di composizione che governano la creazione del materiale. Se tali modelli esistono, possono essere scoperti utilizzando tecniche di data mining quando viene fornito un database di reazioni riuscite e non riuscite.
Registrati al nostro workshop su Come iniziare la tua carriera nella scienza dei dati?
Qui, i ricercatori hanno creato due approcci di scienza dei dati per la scoperta di materiali in regioni di composizione di ordine superiore. Inoltre, la presente ricerca descrive in dettaglio la formulazione e la costruzione del processo ad alto rendimento che alimenta i dati di questi sistemi, nonché un’illustrazione di un caso d’uso per condurre la scoperta. La scoperta principale è che modelli di scienza dei dati ben sviluppati possono dedurre il comportamento di fase di materiali complicati utilizzando set di dati che non vengono generalmente utilizzati per la caratterizzazione di fase. Inoltre, queste conclusioni forniscono valore scientifico agli attuali set di dati e aiutano nello sviluppo di nuovi materiali.
Vantaggi
L’applicazione della valutazione basata sulla scienza dei dati dei dati sperimentali integra la previsione di fase basata sulla meccanica quantistica e sull’apprendimento automatico. Inoltre, il rilevamento di nuovi sistemi e composizioni mediante la modellazione ottica dei dati può fungere da trampolino di lancio per ulteriori ricerche su nuove fasi e/o per valutare che le composizioni a tre cationi mostrino caratteristiche uniche. Inoltre, l’approccio è fondato sui principi della scienza combinatoria dei materiali , dove la sintesi di librerie di miscele è legata alla misurazione degli attributi desiderati. Sebbene questo approccio fornisca un percorso diretto alla scoperta di una proprietà desiderabile in un particolare sistema di composizione, limita la scoperta di molte aree di composizione a causa dell’aumento del costo relativo delle misurazioni della proprietà e l’obbligo di misurare ogni libreria di composizioni per ogni proprietà desiderata.
Altri contributi alla ricerca
I ricercatori negli Stati Uniti hanno utilizzato RF tipiche per prevedere le energie della struttura in base alle tassellazioni Voronoi e alle caratteristiche atomiche.
I ricercatori cinesi hanno previsto composti full-Heusler stabili utilizzando reti neurali convoluzionali e trasferimento dell’apprendimento.
Un team di ricercatori degli Stati Uniti ha utilizzato una varietà di tecniche di regressione e classificazione per analizzare un set di dati di catodi per celle a combustibile ad ossido solido aumentate.
I ricercatori canadesi hanno utilizzato la selezione delle caratteristiche di risoluzione dei cluster per classificare le formazioni di cristalli binari.
Allo stesso modo, i ricercatori negli Stati Uniti utilizzano i VAE per prevedere le strutture cristalline.
Conclusione
La ricerca ML condotta tradizionalmente esplora solo una proprietà alla volta. Di conseguenza, la valutazione deve essere condotta più volte sullo stesso materiale. Inoltre, i set di dati di addestramento sono particolarmente scarsi nei campi di composizione di ordine superiore, che consentono la messa a punto di molti attributi tramite lo sviluppo di una fase contenente tutti e tre i cationi. Tuttavia, la scarsità di dati di addestramento per i materiali spesso limita l’accuratezza della previsione, in particolare nelle aree di composizione per le quali non esistono dati di addestramento . Inoltre, sono state pubblicate una manciata di ottime recensioni sull’apprendimento automatico nella scienza dei materiali in generale, nonché sull’apprendimento automatico nelle scienze chimiche, che potrebbero indicare l’apertura della strada a nuove iniziative.
