Cientistas da Universidade da Carolina do Norte em Chapel Hill e da Duke University criaram o primeiro método de uso geral para usar o aprendizado de máquina para prever as propriedades de novos metais, cerâmicas e outros materiais cristalinos e para encontrar novos usos para os materiais existentes, uma descoberta que poderia economizar incontáveis horas perdidas no processo de tentativa e erro de criação de materiais novos e melhores.
Pesquisadores liderados por Olexandr Isayev, Ph.D., e Alexandre Tropsha, Ph.D., na UNC Eshelman School of Pharmacy usou dados de aproximadamente 60, 000 materiais exclusivos do Banco de dados de estrutura cristalina inorgânica do Instituto Nacional de Padrões e Tecnologia para criar uma nova metodologia que eles chamam de fragmentos de materiais rotulados de propriedades.
Usando o aprendizado de máquina para analisar e modelar estruturas cristalinas existentes, o método PLMF é capaz de prever as propriedades de novos materiais propostos por cientistas e engenheiros. A ferramenta foi até capaz de preencher os valores ausentes para propriedades de materiais no banco de dados NIST que nunca haviam sido testados experimentalmente.
"A tecnologia é muitas vezes impulsionada pela descoberta de novos materiais, mas o processo de descoberta desses materiais sempre foi bastante aleatório, "Tropsha disse." Nossa nova ferramenta aplica a abordagem baseada em dados e conhecimento que usamos nas ciências farmacêuticas para projetar medicamentos. Porque a criação de novos materiais exige uma quantidade incrível de tempo e esforço que muitas vezes termina em decepção, nossa ferramenta PLMF permite que cientistas de materiais testem uma nova ideia antes mesmo de levantar um dedo para sintetizá-la. "
Tropsha é o K.H. Lee Distinto Professor da Escola e diretor do Laboratório de Modelagem Molecular. Isayev é professor assistente de pesquisa. Seu trabalho foi publicado em Nature Communications , e a ferramenta PLMF está disponível publicamente como um aplicativo da web amigável em http://aflow.org/aflow-ml.
O método PLMF funciona criando "impressões digitais" a partir da estrutura dos cristais que compreendem as menores unidades de materiais inorgânicos como a cerâmica, metais e ligas metálicas. A combinação das impressões digitais com o aprendizado de máquina permitiu a criação de modelos universais capazes de prever com precisão oito propriedades eletrônicas e termomecânicas críticas de praticamente qualquer material cristalino inorgânico. As propriedades incluem condutividade, rigidez e compressibilidade, transferência de calor e resposta à mudança de temperatura, e a equipe planeja incorporar mais propriedades à medida que coletam mais dados, Isayev disse.
"Em muitos projetos práticos, as pessoas sabem a gama de valores que desejam para uma determinada propriedade, "Disse Isayev." Podemos aproveitar o que sabemos sobre esses materiais e o aprendizado de máquina inteligente para selecionar rapidamente os materiais em potencial para a propriedade certa. Os pesquisadores podem restringir rapidamente os materiais candidatos e evitar muitos cálculos estranhos e complexos. Isso economiza dinheiro, tempo e recursos computacionais. "
Na primeira aplicação prática para o aprendizado de máquina, a equipe trabalhou com o professor assistente Jim Cahoon, Ph.D., no Departamento de Química da UNC para projetar um novo material de eletrodo para um tipo de células solares de baixo custo. O óxido de níquel usado atualmente, não é muito eficiente, tóxico e requer solventes orgânicos para funcionar na célula.
Os cientistas examinaram virtualmente 50, 000 compostos inorgânicos conhecidos e titanato de chumbo identificado como o material mais promissor e testes subsequentes confirmaram isso. Os dispositivos que usam titanato de chumbo exibiram o melhor desempenho em solução aquosa, permitindo uma mudança dos solventes para uma solução à base de água que poderia ajudar a reduzir os custos e, ao mesmo tempo, ser mais ecologicamente correta.
"O titanato de chumbo provavelmente não teria sido a primeira escolha da maioria dos cientistas de materiais porque sua estrutura é muito diferente do óxido de níquel, "Isayev disse." Materiais derivados de ferro, cobalto ou cobre seriam mais propensos a serem considerados porque são quimicamente mais semelhantes ao níquel. O PLMF e o aprendizado de máquina encontraram uma solução simples e inovadora que economizou horas incontáveis de busca por tentativa e erro. "
