Retificando o uso de IAs na busca por materiais termoelétricos

Avaliação de modelos de ML e suas previsões para novos materiais. (a – c) Desempenho do modelo ML em (a) conjunto de dados de treinamento, (b) conjunto de dados de teste e (c) dados adicionais publicados no ano de 2023; (d) processo de triagem de seleção de materiais do conjunto de dados do Projeto de Materiais; (e) o número de compostos após cada etapa de triagem; (f) valores zT previstos para os novos materiais. Crédito:Materiais da Science China (2024). DOI:10.1007/s40843-023-2777-2

Uma equipe de pesquisadores usou IA para identificar um material termoelétrico com valores favoráveis. O grupo foi capaz de superar as armadilhas convencionais e os desafios de big data da IA, oferecendo um excelente exemplo de como a IA pode revolucionar a ciência dos materiais. Os detalhes foram publicados na revista Science China Materials em 8 de março de 2024.

"Os métodos tradicionais de encontrar materiais adequados envolvem tentativa e erro, o que é demorado e muitas vezes caro, "proclama Hao Li, professor associado do Instituto Avançado de Pesquisa de Materiais da Universidade de Tohoku (WPI-AIMR) e autor correspondente do artigo. "A IA transforma isso vasculhando bancos de dados para identificar materiais potenciais que podem então ser verificados experimentalmente."

Ainda assim, os desafios permanecem. Conjuntos de dados de materiais em grande escala às vezes contêm erros, e o ajuste excessivo das propriedades dependentes da temperatura previstas também é um erro comum. O overfitting ocorre quando um modelo aprende a capturar ruído ou flutuações aleatórias nos dados de treinamento, em vez do padrão ou relacionamento subjacente.

Como resultado, o modelo tem um bom desempenho nos dados de treinamento, mas não consegue generalizar dados novos e não vistos. Ao prever propriedades dependentes da temperatura, o overfitting pode levar a previsões imprecisas quando o modelo encontra novas condições fora do intervalo dos dados de treinamento.

Li e seus colegas procuraram superar isso para desenvolver um material termoelétrico. Esses materiais convertem energia térmica em energia elétrica ou vice-versa. Assim, obter uma dependência de temperatura altamente precisa é fundamental.

“Primeiro, realizamos uma série de ações racionais para identificar e descartar dados questionáveis, obtendo 92.291 pontos de dados compreendendo 7.295 composições e diferentes temperaturas do banco de dados Starrydata2 – um banco de dados online que coleta dados digitais de artigos publicados”, afirma Li.

Em seguida, os pesquisadores construíram modelos de construção de máquinas usando o método Gradient Boosting Decision Tree. O modelo alcançou valores R2 notáveis de 0,89, ~0,90 e ~0,89 no conjunto de dados de treinamento, conjunto de dados de teste e novos dados experimentais fora da amostra lançados em 2023, demonstrando a precisão do modelo na previsão de materiais recém-disponíveis.

"Poderíamos usar este modelo para realizar uma avaliação em larga escala dos materiais estáveis do banco de dados do Projeto de Materiais, prevendo o potencial desempenho termoelétrico de novos materiais e fornecendo orientação para experimentos", afirma Xue Jia, professor assistente do WPI-AIMR, e coautor do artigo.

Em última análise, o estudo ilustra a importância de seguir diretrizes rigorosas quando se trata de pré-processamento e divisão de dados no aprendizado de máquina, para que aborde as questões urgentes na ciência dos materiais. Os pesquisadores estão otimistas de que sua estratégia também possa ser aplicada a outros materiais, como eletrocatalisadores e baterias.

Mais informações: Xue Jia et al, Lidando com os desafios de big data em IA para materiais termoelétricos, Science China Materials (2024). DOI:10.1007/s40843-023-2777-2
Fornecido pela Universidade Tohoku

O muco da pele do bagre africano produz um composto antibacteriano promissor

Nova estratégia proposta para síntese direta de álcoois a partir da hidroformilação redutiva de alcenos

Química