Os computadores costumavam ocupar salas inteiras. Hoje, um laptop de um quilo pode deslizar facilmente para dentro de uma mochila. Mas isso não teria sido possível sem a criação de novos, processadores menores - que só são possíveis com a inovação de novos materiais.

Mas como os cientistas de materiais realmente inventam novos materiais? Por meio da experimentação, explica Sanket Deshmukh, um professor assistente no departamento de engenharia química cuja pesquisa computacional publicada recentemente pela equipe pode melhorar muito a eficiência e a economia de custos do processo de design de materiais.

Laboratório de Deshmukh, o laboratório de Design Computacional de Materiais Híbridos, dedica-se a compreender e simular as formas como as moléculas se movem e interagem, o que é crucial para a criação de um novo material.

Nos últimos anos, aprendizado de máquina, um poderoso subconjunto de inteligência artificial, tem sido empregado por cientistas de materiais para acelerar a descoberta de novos materiais por meio de simulações de computador. Deshmukh e sua equipe publicaram recentemente uma pesquisa no Journal of Physical Chemistry Letters demonstrando uma nova estrutura de aprendizado de máquina que treina "em tempo real, "o que significa que processa dados instantaneamente e aprende com eles para acelerar o desenvolvimento de modelos computacionais.

Tradicionalmente, o desenvolvimento de modelos computacionais é "realizado manualmente por meio de uma abordagem de tentativa e erro, que é muito caro e ineficiente, e é uma tarefa trabalhosa, "Deshmukh explicou.

"Esta nova estrutura não usa apenas o aprendizado de máquina de uma maneira única pela primeira vez, "Deshmukh disse, "mas também acelera drasticamente o desenvolvimento de modelos computacionais de materiais precisos."

"Treinamos o modelo de aprendizado de máquina de forma 'reversa', usando as propriedades de um modelo obtido a partir de simulações de dinâmica molecular como entrada para o modelo de aprendizado de máquina, e usando os parâmetros de entrada usados ​​em simulações de dinâmica molecular como uma saída para o modelo de aprendizado de máquina, "disse Karteek Bejagam, um pesquisador de pós-doutorado no laboratório de Deshmukh e um dos principais autores do estudo.

Esta nova estrutura permite aos pesquisadores realizar a otimização de modelos computacionais, em velocidade incomumente mais rápida, até atingirem as propriedades desejadas de um novo material.

A melhor parte? Independentemente de quão precisas sejam as previsões dos modelos de aprendizado de máquina, à medida que são testados em tempo real, esses modelos não têm impacto negativo na otimização do modelo, se for impreciso. "Não pode doer, só pode ajudar, "disse Samrendra Singh, um pesquisador visitante no laboratório de Deshmukh e outro autor do estudo.

"A beleza dessa nova estrutura de aprendizado de máquina é que ela é muito geral, o que significa que o modelo de aprendizado de máquina pode ser integrado com qualquer algoritmo de otimização e técnica computacional para acelerar o design de materiais, "Singh disse.

A publicação, liderado por Bejagam e Singh e com a colaboração da engenharia química Ph.D. estudante Yaxin An, mostra o uso desta nova estrutura desenvolvendo os modelos de dois solventes como uma prova de conceito.

O plano do laboratório de Deshmukh para desenvolver a pesquisa, utilizando esta nova estrutura baseada em aprendizado de máquina para desenvolver modelos de vários materiais que têm aplicações potenciais de biomedicina e energia.