p Princípios físicos podem ser incorporados em uma arquitetura de aprendizado de máquina como uma configuração fundamental para desenvolver inteligência artificial para materiais inorgânicos. Em um novo relatório agora em Avanços da Ciência , Huta R. Banjade, e uma equipe de pesquisa em física, A ciência da computação e da informação e a nanociência nos EUA e na Bélgica propuseram motivos estruturais em cristais inorgânicos para servir como uma entrada central para uma estrutura de aprendizado de máquina. A equipe demonstrou como a presença de motivos estruturais e suas conexões em um grande conjunto de compostos cristalinos podem ser convertidos em representações vetoriais únicas por meio de um algoritmo de aprendizagem não supervisionado. Eles conseguiram isso criando uma estrutura de inclinação centrada em motivos combinando informações de motivos com redes neurais de grafos baseados em átomos para formar uma rede de grafos duplos de motivos atômicos (AMDNet). A configuração previu com precisão a estrutura eletrônica de óxidos de metal, como bandgaps. O trabalho ilustra um método para projetar arquiteturas de aprendizagem de rede neural em grafos para investigar materiais complexos além das propriedades físicas do átomo. p Métodos de ML

p Os métodos de aprendizado de máquina (ML) podem ser combinados com dados de materiais massivos para acelerar a descoberta e o projeto racional de compostos de estado sólido funcionais. A aprendizagem supervisionada pode levar a previsões de propriedades materiais, incluindo estabilidade de fase e natureza do cristal, eficaz para simulações de dinâmica de moléculas. Os motivos da estrutura podem ser criados de acordo com a primeira regra de Pauling, formando um poliedro coordenado de ânions sobre cada cátion em um composto para se comportar como blocos de construção fundamentais que são altamente correlacionados com as propriedades do material. Por exemplo, os motivos estruturais em compostos cristalinos podem desempenhar um papel essencial para determinar as propriedades do material em várias aplicações técnicas e científicas. Nesse trabalho, Banjade et al. incorporou informações do motivo da estrutura em uma estrutura de inclinação da máquina (ML). Os cientistas combinaram as informações do motivo com redes neurais convolucionais de grafos para desenvolver uma arquitetura de aprendizado profundo centrada em motivos conhecida como rede de grafos duplos de motivos atômicos (AMDNet). A precisão da estrutura ultrapassou a de uma rede de grafos baseada em átomos de última geração para prever as estruturas eletrônicas de materiais cristalinos inorgânicos.

p Agrupamento de motivos de estrutura

p Um algoritmo de aprendizagem não supervisionado Atom2Vec pode compreender representações vetoriais de alta dimensão de átomos, codificando propriedades básicas de átomos com base em um extenso banco de dados de fórmulas químicas. Banjade et al. focada em óxidos metálicos binários e ternários que constituem um vasto e diversificado espaço material onde as estruturas cristalinas são caracterizadas via coordenação cátion-oxigênio. Para extrair as informações do motivo da estrutura, a equipe usou o método de identificação do ambiente local desenvolvido por Waroquiers et al. conforme implementado pelo código Pymatgen. A equipe identificou três tipos diferentes de conectividade entre um motivo e o motivo vizinho; incluindo compartilhamento interno (um átomo compartilhado), compartilhamento de borda (dois átomos compartilhados), e compartilhamento de rosto (três ou mais átomos compartilhados). Os cientistas então propuseram um algoritmo de aprendizagem para tirar vantagem do processo de coleta de dados do motivo e converteram efetivamente cada linha da matriz do ambiente do motivo em um vetor de alta dimensão para representar um motivo de estrutura única. Eles então extraíram informações do motivo para o processo de aprendizagem usando uma rede convolucional de grafos. A equipe teve como objetivo identificar padrões e informações de agrupamento para esses vetores de motivos de alta dimensão para influenciar as propriedades de materiais complexos de compostos de óxidos. Eles visualizaram os dados dimensionais elevados usando a incorporação de vizinhos estocásticos com distribuição t (t-SNE) - uma técnica de redução de dimensionalidade não linear.

p Usando informações de motivo em redes neurais de gráfico.

p Os cientistas obtiveram dados de vetor de motivos projetados em duas dimensões usando o processo t-SNE. Eles notaram grupos distintos com base nos tipos de motivos. As propriedades químicas dos elementos que formam os motivos desempenharam um papel fundamental durante a formação do cluster. Por exemplo, Os motivos baseados em lantanídeos formaram grupos diferentes com base no tipo de motivo e os motivos baseados em ítrio permaneceram próximos aos motivos baseados em lantanídeos devido às suas semelhanças químicas. Motivos associados ao zinco e magnésio também se agruparam. As descobertas baseadas na aprendizagem não supervisionadas apoiaram os motivos estruturais para servir como entradas essenciais para compostos cristalinos que transportam informações elementares e estruturais. A equipe então usou a informação do motivo da estrutura como uma entrada essencial para uma rede neural gráfica (GNN) para prever as propriedades físicas dos materiais. A maioria das redes de grafos são aplicadas a materiais cristalinos. Para permitir uma arquitetura de aprendizagem de representações gráficas de materiais em nível de átomo e nível de motivo, Banjade et al. propuseram que o AMDNet pudesse ser construído para melhorar o processo de aprendizagem e melhorar a precisão da previsão para as propriedades da estrutura eletrônica de óxidos de metal. Nos gráficos de motivos, os pesquisadores codificaram informações em nível de átomo e nível de motivo em cada nó e construíram o gráfico do motivo, incluindo conectividade estendida, ângulo, distância e parâmetros de pedido usando robocristalografia do pacote Python.

p AMDNet

p Na arquitetura AMDNet proposta, Banjade et al. incorporou informações de motivo em uma estrutura de aprendizagem de rede de grafos para gerar grafos de motivos e grafos de átomos que representam compostos com cardinalidade diferente de arestas e nós para combinar as informações antes de fazer previsões. Para cada material, a equipe gerou um gráfico de átomo e um gráfico de motivo. Eles então usaram 22, 606 óxidos de metal binários e ternários do banco de dados do Projeto de Materiais para testar a eficácia do modelo proposto e focado na previsão de bandgaps - um problema complexo de estrutura eletrônica. Os resultados mostraram a superioridade do AMDNet durante a previsão do bandgap quando comparado às redes anteriores. O modelo também mostrou desempenho superior durante uma tarefa de classificação de metal versus não metal. O trabalho mostrou os esforços iniciais para incorporar informações materiais de alto nível em modelos de aprendizagem profunda para materiais de estado sólido.

p Panorama

p Desta maneira, Huta R. Banjade e colegas mostraram como motivos estruturais em estruturas de cristal podem ser combinados com métodos de aprendizado de máquina supervisionados e não supervisionados para melhorar a representação efetiva de sistemas de materiais de estado sólido. Para estruturas eletrônicas complexas, a equipe incluiu a estrutura e as informações de conexão do motivo em um modelo AMDNet para superar as redes existentes e prever os bandgaps eletrônicos e tarefas de classificação de metal versus não metal. Esta estrutura de aprendizado geral pode ser usada para prever outras propriedades de materiais, incluindo propriedades mecânicas e de estado excitado em materiais bidimensionais e estruturas metal-orgânicas. p © 2021 Science X Network