Algoritmos de aprendizado de máquina às vezes podem fazer um trabalho melhor com um pouco de ajuda da experiência humana, pelo menos no campo da ciência dos materiais.

Em muitas áreas especializadas da ciência, engenharia e medicina, pesquisadores estão recorrendo a algoritmos de aprendizado de máquina para analisar conjuntos de dados que ficaram grandes demais para serem entendidos por humanos. Na ciência dos materiais, o sucesso com este esforço pode acelerar o design de materiais funcionais avançados de próxima geração, onde o desenvolvimento agora depende de tentativa e erro antiquada.

Por si próprios, Contudo, as técnicas de análise de dados emprestadas de outras áreas de pesquisa geralmente falham em fornecer os insights necessários para ajudar os cientistas e engenheiros de materiais a escolher qual das muitas variáveis ​​ajustar - e não podem ser responsáveis ​​por mudanças dramáticas, como a introdução de um novo composto químico no processo. Em alguns materiais complexos, como ferroelétricos, até 10 fatores diferentes podem afetar as propriedades do produto resultante.

Em artigo publicado esta semana na revista Materiais Computacionais NPJ , os pesquisadores explicam como dar às máquinas uma vantagem na solução do desafio, organizando de forma inteligente os dados a serem analisados ​​com base no conhecimento humano de quais fatores são provavelmente importantes e relacionados. Conhecido como empilhamento dimensional, a técnica mostra que a experiência humana ainda tem um papel a cumprir na era da inteligência das máquinas.

A pesquisa foi patrocinada pela National Science Foundation e pela Defense Threat Reduction Agency, bem como a Swiss National Science Foundation. As medições foram realizadas, em parte, no Laboratório Nacional de Oak Ridge em Oak Ridge, Tennessee.

"Quando sua máquina aceita cadeias de dados, realmente importa como você está colocando essas cordas juntas, "disse Nazanin Bassiri-Gharb, o autor correspondente do artigo e professor da Escola de Engenharia Mecânica George W. Woodruff do Instituto de Tecnologia da Geórgia. "Devemos estar cientes de que a organização dos dados antes de ir para o algoritmo faz a diferença. Se você não inserir as informações corretamente, você obterá um resultado que não está necessariamente relacionado com a realidade da física e da química que governam os materiais. "

Bassiri-Gharb trabalha em ferroelétricos, materiais cristalinos que exibem polarizações elétricas espontâneas comutáveis ​​por um campo elétrico externo. Amplamente utilizado por suas propriedades piezoelétricas - que permitem que entradas elétricas gerem saídas mecânicas, e movimento mecânico para gerar voltagens elétricas - suas fórmulas químicas são geralmente complicadas, incluindo chumbo, manganês, nióbio, oxigênio, titânio, índio, bismuto e outros elementos.

Pesquisadores, que trabalham há décadas para melhorar os materiais, gostaria de desenvolver ferroelétricos avançados que não incluam chumbo. Mas as técnicas de design de tentativa e erro não levaram a grandes avanços, e ela não é a única a desejar uma abordagem mais direta - uma que também poderia levar mais rapidamente a melhorias em outros materiais funcionais usados ​​na microeletrônica, baterias, sistemas optoeletrônicos e outros campos de pesquisa críticos.

"Para a ciência dos materiais, as coisas ficam realmente complicadas, especialmente com os materiais funcionais, "disse Bassiri-Gharb." Como cientistas de materiais, é muito difícil projetar os materiais se não entendermos por que uma resposta é aumentada. Aprendemos que as funcionalidades não são compartimentadas. Eles estão inter-relacionados entre muitas propriedades do material. "

A técnica descrita no artigo envolve uma etapa de pré-processamento em que grandes conjuntos de dados são organizados de acordo com propriedades físicas ou químicas que fazem sentido para os cientistas materiais.

"Como cientista ou engenheiro, você tem uma ideia se existem ou não correlações físicas ou químicas, "ela explicou." Você tem que estar ciente de que tipo de correlação pode existir. A maneira como você empilha seus dados para serem analisados ​​teria implicações no que diz respeito às correlações físicas ou químicas. Se você fizer isso corretamente, você pode obter mais informações de qualquer abordagem de análise de dados que esteja usando. "

Para testar as técnicas, Bassiri-Gharb e colaboradores Lee Griffin, Iaroslav Gaponenko, e Shujun Zhang testou amostras de materiais ferroelétricos relaxores usados ​​em equipamentos de imagem ultrassônica avançados. Griffin, um assistente de pesquisa graduado da Georgia Tech e co-autor do artigo, fez as medições experimentais. Zhang, um pesquisador da Universidade de Wollongong, na Austrália, forneceram amostras para o estudo. Bassiri-Gharb e Gaponenko, uma afiliada de pesquisa em seu grupo, desenvolveu a abordagem.

Usando uma ponta condutora em um microscópio de força atômica, eles examinaram a resposta eletromecânica de uma série de amostras quimicamente relacionadas, gerando até 2, 500 medições dependentes do tempo e da tensão em uma grade de pontos estabelecida em cada amostra. O processo gerou centenas de milhares de pontos de dados e forneceu um bom teste para a abordagem de empilhamento, conhecido tecnicamente como concatenação.

"Em vez de apenas olhar para a composição química que fornece a melhor resposta, examinamos uma série de composições e tentamos descobrir o que há em comum, "disse ela." Descobrimos que, se aplicássemos esse empilhamento de dados com algum processo de pensamento por trás dele, poderíamos aprender mais sobre esses materiais interessantes. "

Entre suas descobertas:embora o material seja um único cristal, a resposta funcional mostrou comportamento altamente desordenado, uma reminiscência de um material totalmente desordenado como o vidro. "Este comportamento vítreo realmente persiste inesperadamente além de uma pequena porcentagem das composições do material, "disse Bassiri-Gharb." Está persistindo em todas as composições que examinamos. "

Ela espera que a técnica leve a informações que aprimorem muitos materiais e suas funcionalidades. Saber quais produtos químicos precisam ser incluídos pode permitir que os cientistas de materiais passem para a próxima fase - trabalhar com químicos para colocar os átomos certos nos lugares certos.

“O grande objetivo da funcionalidade de qualquer material é encontrar as diretrizes que fornecerão as propriedades que desejamos, ", disse ela." Queremos encontrar o caminho direto para as melhores composições para a próxima geração desses materiais. "