Um grupo de pesquisa conjunta incluindo Ryo Yoshida (Professor e Diretor do Centro de Ciência de Dados para Design Criativo e Fabricação do Instituto de Matemática Estatística [ISM], Organização de Pesquisa de Informação e Sistemas), Junko Morikawa (Professor da Escola de Materiais e Tecnologia Química, Instituto de Tecnologia de Tóquio [Tokyo Tech]), e Yibin Xu (Líder de Grupo de Gestão Térmica e Grupo de Materiais Termoelétricos, Centro de Pesquisa de Materiais por Integração de Informação, Divisão de Pesquisa e Serviços de Dados de Materiais e Sistema Integrado [MaDIS], NIMS) demonstrou a aplicação promissora de aprendizado de máquina (ML) - uma forma de IA que permite que os computadores "aprendam" com dados fornecidos - para a descoberta de materiais inovadores.

Relatando suas descobertas no jornal de acesso aberto npj materiais computacionais , os pesquisadores mostram que seu método de ML, envolvendo "transferência de aprendizagem, "permite a descoberta de materiais com as propriedades desejadas, mesmo a partir de um conjunto de dados muito pequeno.

O estudo baseou-se em um conjunto de dados de propriedades poliméricas de PoLyInfo, o maior banco de dados de polímeros do mundo alojado no NIMS. Apesar de seu tamanho, PoLyInfo tem uma quantidade limitada de dados sobre as propriedades de transferência de calor dos polímeros. Para prever as propriedades de transferência de calor a partir dos dados limitados fornecidos, Modelos de ML em propriedades de proxy foram pré-treinados onde dados suficientes estavam disponíveis nas tarefas relacionadas; esses modelos pré-treinados capturaram recursos comuns relevantes para a tarefa alvo. O redirecionamento desses tipos de recursos adquiridos por máquina na tarefa alvo gerou um desempenho de previsão excepcional, mesmo com conjuntos de dados excessivamente pequenos - não muito diferente do trabalho de especialistas humanos altamente experientes com relação a inferências racionais, mesmo para tarefas consideravelmente menos experientes. A equipe combinou este modelo com um algoritmo de ML especialmente projetado para projeto molecular computacional, que é chamado de algoritmo iQSPR desenvolvido anteriormente por Yoshida e seus colegas. A aplicação desta técnica permitiu a identificação de milhares de polímeros "virtuais" promissores.

Deste grande grupo de candidatos, três polímeros foram selecionados com base em sua facilidade de síntese e processamento. Os testes confirmaram que os novos polímeros têm uma alta condutividade térmica de até 0,41 Watts por metro-Kelvin (W / mK). Este número é 80 por cento maior do que o das poliimidas típicas, um grupo de polímeros comumente usados ​​que foram produzidos em massa desde 1950 para aplicações que variam de células de combustível a utensílios de cozinha.

Ao verificar as propriedades de transferência de calor dos polímeros projetados computacionalmente, o estudo representa um grande avanço para custo-beneficio, Métodos com suporte de ML para design de materiais. Ele também demonstra a experiência combinada da equipe em ciência de dados, síntese orgânica e tecnologias de medição avançadas.

Yoshida comenta que muitos aspectos ainda precisam ser explorados, como sistemas computacionais de "treinamento" para trabalhar com dados limitados, adicionando descritores mais adequados. "O aprendizado de máquina para design de polímero ou material macio é um campo desafiador, mas promissor, pois esses materiais têm propriedades que diferem de metais e cerâmicas, e ainda não foram totalmente previstos pelas teorias existentes, " ele diz.

O estudo é um ponto de partida para a descoberta de outros materiais inovadores, como Morikawa acrescenta:"Gostaríamos de tentar criar um sistema computacional de alto rendimento orientado para ML para projetar materiais macios de próxima geração para aplicativos que vão além da era 5G. Por meio de nosso projeto, pretendemos buscar não apenas o desenvolvimento da informática de materiais, mas também contribuir para o avanço fundamental da ciência dos materiais, especialmente no campo da engenharia de fônons. "