p Pesquisadores da Northwestern University desenvolveram uma nova abordagem computacional para acelerar o projeto de materiais que exibem transições metal-isolador (MIT), uma classe rara de materiais eletrônicos que mostraram potencial para impulsionar o projeto futuro e entrega de microeletrônica mais rápida e sistemas de informação quântica - tecnologias fundamentais por trás dos dispositivos da Internet das Coisas e centros de dados de grande escala que impulsionam a maneira como os humanos trabalham e interagem com os outros. p A nova estratégia, uma colaboração entre os professores James Rondinelli e Wei Chen, técnicas integradas de inferência estatística, teoria de otimização, e física de materiais computacionais. A abordagem combina otimização bayesiana multi-objetivo com processos gaussianos variáveis ​​latentes para otimizar recursos ideais em uma família de materiais MIT chamados espinelos lacunares complexos.

p Quando os pesquisadores procuram novos materiais, eles normalmente procuram em locais onde já existam dados existentes sobre materiais semelhantes. O projeto de muitas classes de propriedades de materiais foi acelerado em trabalhos existentes com métodos orientados a dados auxiliados pela geração de dados de alto rendimento juntamente com métodos como aprendizado de máquina.

p Essas abordagens, Contudo, não estão disponíveis para materiais do MIT, categorizado por sua capacidade de alternar reversivelmente entre os estados eletricamente condutores e isolantes. A maioria dos modelos do MIT são construídos para descrever um único material, tornando a geração dos modelos muitas vezes desafiadora. Ao mesmo tempo, métodos convencionais de aprendizado de máquina têm mostrado capacidade preditiva limitada devido à ausência de dados disponíveis, dificultando o projeto de novos materiais do MIT.

p "Os pesquisadores entendem como destilar informações de grandes conjuntos de dados de materiais onde existem e quando recursos adequados estão disponíveis, "disse Rondinelli, professor de ciência de materiais e engenharia e o professor Morris E. Fine em Materiais e Manufatura na McCormick School of Engineering, e autor correspondente do estudo. "Mas o que você faz quando não tem grandes conjuntos de dados ou os recursos necessários? Nosso trabalho interrompe esse status quo ao construir modelos predicativos e explorativos sem exigir grandes conjuntos de dados ou recursos a partir de um pequeno conjunto de dados."

p Um artigo que descreve o trabalho, intitulado "A otimização adaptativa sem recursos acelera o design de materiais eletrônicos funcionais, "foi publicado em 6 de novembro na revista Revisão de Física Aplicada .

p O método da equipe de pesquisa, chamado mecanismo de otimização avançado (AOE), ignora os modelos de descoberta baseados em aprendizado de máquina tradicionais usando uma abordagem de modelagem de processo Gaussiana de variável latente, que requer apenas as composições químicas dos materiais para discernir sua natureza ótima. Isso permitiu que o AOE baseado em otimização Bayesiana pesquisasse com eficiência materiais com ajuste de gap ideal (resistividade / condutividade elétrica) e estabilidade térmica (sintetizabilidade) - dois recursos definidores para materiais úteis.

p Para validar sua abordagem, a equipe analisou centenas de combinações químicas usando simulações baseadas na teoria da função de densidade e encontrou 12 composições anteriormente não identificadas de espinelos lacunares complexos que mostraram funcionalidade e capacidade de sintetização ideais. Esses materiais MIT são conhecidos por hospedar texturas de spin únicas, um recurso necessário para impulsionar a futura Internet das Coisas e outras tecnologias que consomem muitos recursos.

p "Este avanço supera as limitações tradicionais impostas por designs de materiais baseados em intuição química, "disse Chen, Wilson-Cook Professor em Design de Engenharia e professor e catedrático de engenharia mecânica, e um co-autor do estudo. "Reenquadrando o design de materiais funcionais como um problema de otimização, não encontramos apenas uma solução para o desafio de trabalhar com dados limitados, mas também demonstrou a capacidade de descobrir com eficiência novos materiais ideais para a eletrônica do futuro. "

p Enquanto os pesquisadores testavam seu método em materiais inorgânicos, eles acreditam que a abordagem também pode ser aplicada a materiais orgânicos, como o desenho de sequências de proteínas em biomateriais ou sequências de monômeros em materiais poliméricos. O modelo também oferece orientação sobre como tomar decisões melhores em relação ao design ideal de materiais, escolhendo os compostos candidatos ideais para simular.

p "Nosso método abre caminho para a otimização de várias propriedades e o co-projeto de materiais multifuncionais complexos, onde os dados e conhecimentos anteriores são escassos, "Disse Rondinelli.

p O trabalho neste estudo nasceu de um projeto que explora a otimização Bayesiana na descoberta de materiais dentro do programa de cluster interdisciplinar Predictive Science and Engineering Design (PSED) patrocinado pela The Graduate School at Northwestern. Foi apoiado por fundos da National Science Foundation e do programa DIFFERENTIATE da Agência de Projetos de Pesquisa Avançada (ARPA-E), que busca usar tecnologias emergentes de IA para enfrentar os principais desafios ambientais e de energia.

p "Este trabalho destaca o impacto do cluster de design interdisciplinar PSED colaborativo, "Chen disse." Ele também enfatiza os avanços cruciais que ocorrem em IA e aprendizado de máquina na Northwestern em design e otimização. "