Uma equipe de pesquisa de engenharia da Texas A&M está aproveitando o poder do aprendizado de máquina, ciência de dados e o conhecimento de domínio de especialistas para descobrir novos materiais de forma autônoma.

A equipe desenvolveu e demonstrou uma estrutura autônoma e eficiente capaz de explorar de forma otimizada um espaço de design de materiais (o espaço de design de materiais é uma abstração do mundo concreto. É o espaço de todos os materiais possíveis em estudo, caracterizada por características materiais fundamentais).

Um sistema autônomo - ou agente de inteligência artificial (IA) - é definido como qualquer sistema capaz de construir uma representação interna, ou modelo, do problema de interesse, e que então usa o modelo para tomar decisões e realizar ações independentes do envolvimento humano.

Os autores deste trabalho interdisciplinar são o Dr. Anjana Talapatra e o Dr. Raymundo Arroyave do Departamento de Ciência e Engenharia de Materiais, e Shahin Boluki, Dr. Xiaoning Qian e Dr. Edward Dougherty do Departamento de Engenharia Elétrica e de Computação.

Sua estrutura autônoma é capaz de escolher de forma adaptativa os melhores modelos de aprendizado de máquina para encontrar o material ideal para atender a qualquer critério. Sua pesquisa, financiado pela National Science Foundation e o Air Force Office of Scientific Research, irá reduzir o tempo e os custos gastos na ida do laboratório ao mercado, garantindo a maior eficiência possível na busca pelo material certo.

A teoria matemática subjacente tem muitas aplicações, inclusive afetando o campo da biomedicina. Por exemplo, com seu aprendizado bayesiano e estrutura de design de experimentos, uma doença pode ser modelada para descobrir fatores de risco críticos para desenvolver terapêuticas eficazes para pacientes específicos e reduzir o custo de ensaios clínicos em humanos.

"Materiais avançados são essenciais para a segurança econômica e o bem-estar humano, com aplicações em indústrias destinadas a enfrentar os desafios da energia limpa, segurança nacional e bem-estar humano, no entanto, pode levar 20 ou mais anos para mover um material após a descoberta inicial para o mercado. - Materials Genome Initiative

A equipe queria testar a estrutura exaustivamente, então eles realizaram a demonstração em uma plataforma computacional de loop fechado, usando a mecânica quântica para prever propriedades de fases MAX, que são materiais promissores para aplicações de alta temperatura, incluindo novos revestimentos resistentes à oxidação para lâminas de turbinas de motores a jato. O grupo Texas A&M também está aplicando a estrutura para a descoberta de ligas com memória de forma de alta temperatura que podem ser usadas para construir veículos aeroespaciais com asas transformadas, por exemplo.

Inovação autônoma

Pesquisas significativas sobre técnicas eficientes de projeto de experimentos já foram feitas antes. Contudo, esta equipe é a primeira a usar uma técnica de base bayesiana (ou seja, eles fazem um balanço de tudo o que se sabe sobre uma classe de material / material e aproveitam esse conhecimento para encontrar o melhor material) e a empregam de forma autônoma, procurando continuamente não apenas pelo próximo melhor cálculo / experimento a ser executado, mas também pelo melhor modelo para representar os dados adquiridos.

"A exploração acelerada do espaço dos materiais para identificar configurações com propriedades ideais é um desafio contínuo, "disse Talapatra, que trabalha como cientista computacional no laboratório de Materiais Computacionais de Arroyave. "Os paradigmas atuais são centrados em torno da ideia de realizar essa exploração por meio de experimentação e / ou computação de alto rendimento. Essas abordagens não levam em conta as restrições de recursos disponíveis. Abordamos esse problema enquadrando a descoberta de materiais como um projeto de experimento ideal."

Os métodos apresentados nesta pesquisa são flexíveis e adaptáveis ​​a diferentes situações de pesquisa. Significativamente, O algoritmo de Talapatra e Boluki pode trabalhar com muito poucos dados iniciais, tornando-o ideal para pesquisas de novos materiais.

O algoritmo representa um passo adiante mais inteligente em comparação com o trabalho anterior na área. Outros algoritmos forçam alguém a começar com um modelo predefinido, que introduz uma restrição no experimento e pode distorcer os resultados. "Nosso algoritmo pode decidir de forma automática e autônoma qual modelo é o melhor entre n modelos, a qualquer momento, dependendo dos dados adquiridos, "disse Talapatra. O programa de computador autônomo reduz o número de etapas e limita o uso de recursos limitados. Uma vez que pode começar com apenas dois experimentos como pontos de dados iniciais, o algoritmo é ideal para otimizar experimentos iniciais e discernir o melhor caminho a seguir.

Ele pode ser usado como uma ferramenta de uma etapa por experimentalistas para simplesmente decidir sobre o próximo material a explorar, ou como uma ferramenta puramente computacional para substituir modelos computacionais caros e reduzir custos computacionais. Ele também pode ser usado em uma configuração experimental e computacional combinada. Pelo menos, esta estrutura fornece um meio muito eficiente de construir o conjunto de dados inicial, uma vez que pode ser usado para guiar experimentos ou cálculos, concentrando-se na coleta de dados nessas seções do espaço de design de materiais que resultará no caminho mais eficiente para alcançar o material ideal.

"Tipicamente, a pesquisa de materiais ocorre de uma forma muito ad-hoc e o acaso tende a ser a regra, ao invés da exceção, "disse Talapatra." O problema é que muitas vezes você não sabe a física fundamental por trás do por que um material está ou não funcionando. Nossos modelos não são precisos o suficiente. Quando você inicia uma jornada de descoberta de materiais, você começa com o conhecimento físico básico, como o número de elétrons e o que acontece quando os elementos se unem. Você tem que encontrar as semelhanças entre os recursos e as propriedades. "

"Incluímos o máximo de ciência possível nos modelos (de inteligência artificial), "disse Boluki, um aluno de doutorado que defenderá sua tese no próximo outono. Boluki e Talapatra trabalharam como implementadores no projeto e o codificaram em python juntos.

O artigo sobre o algoritmo foi revisado por pares, apresentado em várias conferências e com bons comentários da comunidade de engenharia e ciência de materiais. Engenheiros e cientistas da Texas A&M já estão usando o programa.

Da patologia celular à ciência dos materiais:a base matemática

Em 2011, Qian e Dougherty começaram a colaborar no aprimoramento do design de experimentos em pesquisa biomédica. Eles utilizaram modelos matemáticos para ver quando as células estão indo para o estágio de tumor.

Nesse mesmo ano, legisladores federais anunciaram a Materials Genome Initiative, que visa acelerar a descoberta de novos materiais avançados, combinando o uso de ferramentas computacionais e experimentais, juntamente com dados digitais. Nos últimos oito anos, em todo o país, muito tempo, dinheiro e recursos foram investidos neste esforço.

Qian and Dougherty turned their focus to materials science problems in 2013. The team started working on optimal design problems two years ago, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", no Physical Review Materials .