Os nanoengenheiros da Universidade da Califórnia em San Diego desenvolveram novos modelos de aprendizado profundo que podem prever com precisão as propriedades de moléculas e cristais. Ao permitir previsões de propriedades quase instantâneas, esses modelos de aprendizagem profunda fornecem aos pesquisadores os meios para examinar rapidamente o universo quase infinito de compostos para descobrir materiais potencialmente transformadores para várias aplicações tecnológicas, como baterias de íon-lítio de alta densidade de energia, LEDs brancos quentes, e melhor energia fotovoltaica.

Para construir seus modelos, uma equipe liderada pelo professor de nanoengenharia Shyue Ping Ong da Escola de Engenharia da UC San Diego Jacobs usou uma nova estrutura de aprendizagem profunda chamada redes de grafos, desenvolvido por Google DeepMind, os cérebros por trás de AlphaGo e AlphaZero. As redes de grafos têm o potencial de expandir as capacidades da tecnologia de IA existente para realizar tarefas complicadas de aprendizado e raciocínio com experiência e conhecimento limitados - algo em que os humanos são bons.

Para cientistas de materiais como Ong, As redes de grafos oferecem uma maneira natural de representar relações de ligação entre átomos em uma molécula ou cristal e permitem que os computadores aprendam como essas relações se relacionam com suas propriedades químicas e físicas.

Os novos modelos baseados em rede de gráficos, que a equipe de Ong apelidou de modelos MatErials Graph Network (MEGNet), superou o estado da arte na previsão de 11 de 13 propriedades para 133, 000 moléculas no conjunto de dados QM9. A equipe também treinou os modelos MEGNet em cerca de 60, 000 cristais no Projeto Materiais. Os modelos superaram os modelos de aprendizado de máquina anteriores na previsão das energias de formação, folgas de banda e módulos elásticos de cristais.

A equipe também demonstrou duas abordagens para superar as limitações de dados em ciência de materiais e química. Primeiro, a equipe mostrou que as redes de grafos podem ser usadas para unificar vários modelos de energia livre, resultando em um aumento múltiplo nos dados de treinamento. Segundo, eles mostraram que seus modelos MEGNet podem efetivamente aprender relacionamentos entre elementos na tabela periódica. Essas informações aprendidas por máquina de um modelo de propriedade treinado em um grande conjunto de dados podem ser transferidas para melhorar o treinamento e a precisão dos modelos de propriedade com quantidades menores de dados - esse conceito é conhecido no aprendizado de máquina como aprendizado de transferência.