Nos últimos anos, esforços de pesquisa, como a Materials Genome Initiative e o Materials Project produziram uma grande variedade de ferramentas computacionais para projetar novos materiais úteis para uma variedade de aplicações, de energia e eletrônica à aeronáutica e engenharia civil.

Mas o desenvolvimento de processos para a produção desses materiais continuou a depender de uma combinação de experiência, intuição, e revisões manuais da literatura.

Uma equipe de pesquisadores do MIT, a Universidade de Massachusetts em Amherst, e a Universidade da Califórnia em Berkeley esperam fechar essa lacuna de automação da ciência dos materiais, com um novo sistema de inteligência artificial que examinaria trabalhos de pesquisa para deduzir "receitas" para a produção de materiais específicos.

"Os cientistas de materiais computacionais fizeram muito progresso em 'o que' fazer - que material projetar com base nas propriedades desejadas, "diz Elsa Olivetti, o Professor Assistente Atlantic Richfield de Estudos de Energia no Departamento de Ciência e Engenharia de Materiais do MIT (DMSE). "Mas por causa desse sucesso, o gargalo mudou para, 'OK, agora como faço isso? '"

Os pesquisadores imaginam um banco de dados que contém receitas de materiais extraídas de milhões de artigos. Cientistas e engenheiros podem inserir o nome de um material alvo e quaisquer outros critérios - materiais precursores, condições de reação, processos de fabricação - e veja as receitas sugeridas.

Como um passo para concretizar essa visão, Olivetti e seus colegas desenvolveram um sistema de aprendizado de máquina que pode analisar um artigo de pesquisa, deduzir quais de seus parágrafos contêm receitas de materiais, e classificar as palavras nesses parágrafos de acordo com seus papéis dentro das receitas:nomes de materiais alvo, quantidades numéricas, nomes de peças de equipamento, condições de funcionamento, adjetivos descritivos, e similar.

Em um artigo publicado na última edição da revista Química de Materiais , eles também demonstram que um sistema de aprendizado de máquina pode analisar os dados extraídos para inferir características gerais de classes de materiais - como as diferentes faixas de temperatura que sua síntese requer - ou características particulares de materiais individuais - como as diferentes formas físicas que eles assumirão quando suas condições de fabricação variam.

Olivetti é a autora sênior do artigo, e ela se juntou a Edward Kim, um aluno de pós-graduação do MIT em DMSE; Kevin Huang, um pós-doutorado em DMSE; Adam Saunders e Andrew McCallum, cientistas da computação na UMass Amherst; e Gerbrand Ceder, um professor de chanceler no Departamento de Ciência e Engenharia de Materiais em Berkeley.

Preenchendo as lacunas

Os pesquisadores treinaram seu sistema usando uma combinação de técnicas de aprendizado de máquina supervisionadas e não supervisionadas. "Supervisionado" significa que os dados de treinamento fornecidos ao sistema são anotados primeiro por humanos; o sistema tenta encontrar correlações entre os dados brutos e as anotações. "Não supervisionado" significa que os dados de treinamento não foram anotados, e, em vez disso, o sistema aprende a agrupar dados de acordo com semelhanças estruturais.

Como a extração de receitas de materiais é uma nova área de pesquisa, Olivetti e seus colegas não podiam se dar ao luxo de grandes, conjuntos de dados anotados acumulados ao longo dos anos por diversas equipes de pesquisadores. Em vez de, eles tiveram que anotar seus próprios dados - em última análise, cerca de 100 artigos.

Pelos padrões de aprendizado de máquina, esse é um conjunto de dados muito pequeno. Para melhorá-lo, eles usaram um algoritmo desenvolvido no Google chamado Word2vec. Word2vec analisa os contextos nos quais as palavras ocorrem - os papéis sintáticos das palavras dentro das frases e as outras palavras ao seu redor - e agrupa palavras que tendem a ter contextos semelhantes. Então, por exemplo, se um papel contivesse a frase "Aquecemos o tetracolorido de titânio a 500 C, "e outro continha a frase" O hidróxido de sódio foi aquecido a 500 C, "Word2vec agruparia" tetracolorida de titânio "e" hidróxido de sódio ".

Com Word2vec, os pesquisadores foram capazes de expandir muito seu conjunto de treinamento, já que o sistema de aprendizado de máquina poderia inferir que um rótulo anexado a qualquer palavra provavelmente se aplicaria a outras palavras agrupadas com ela. Em vez de 100 artigos, os pesquisadores puderam, assim, treinar seu sistema em cerca de 640, 000 artigos.

Ponta do iceberg

Para testar a precisão do sistema, Contudo, eles tiveram que confiar nos dados rotulados, uma vez que não tinham critério para avaliar seu desempenho nos dados não rotulados. Nesses testes, o sistema foi capaz de identificar com 99% de precisão os parágrafos que continham receitas e rotular com 86% de precisão as palavras dentro desses parágrafos.

Os pesquisadores esperam que mais trabalho melhore a precisão do sistema, e no trabalho contínuo, eles estão explorando uma bateria de técnicas de aprendizagem profunda que podem fazer mais generalizações sobre a estrutura das receitas de materiais, com o objetivo de criar receitas automaticamente para materiais não considerados na literatura existente.

Muitas das pesquisas anteriores da Olivetti se concentraram em encontrar maneiras mais econômicas e ambientalmente responsáveis ​​de produzir materiais úteis, e ela espera que um banco de dados de receitas de materiais possa estimular esse projeto.

"Este é um trabalho marcante, "diz Ram Seshadri, o professor Fred e Linda R. Wudl de Ciência dos Materiais na Universidade da Califórnia em Santa Bárbara. "Os autores assumiram o difícil e ambicioso desafio de capturar, por meio de métodos de IA, estratégias empregadas para a preparação de novos materiais. O trabalho demonstra o poder do aprendizado de máquina, mas seria correto dizer que o eventual juiz de sucesso ou fracasso exigiria convencer os praticantes de que a utilidade de tais métodos pode capacitá-los a abandonar suas abordagens mais instintivas.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.