O aprendizado de máquina e a inteligência artificial estão cada vez mais sendo usados ​​na pesquisa da ciência dos materiais. Por exemplo, O professor associado de ciência e engenharia de materiais do MIT, Juejun "JJ" Hu desenvolveu um algoritmo que aprimora o desempenho de um espectrômetro baseado em chip, e a professora associada de estudos de energia da Atlantic Richfield, Elsa A. Olivetti, construiu um sistema de inteligência artificial que vasculha documentos científicos para deduzir "receitas" da ciência dos materiais.

Esses e outros professores do MIT, bem como o palestrante principal Brian Storey, Diretor de design e descoberta de materiais acelerados do Toyota Research Institute, irá discutir os insights e avanços em suas pesquisas usando aprendizado de máquina no Simpósio anual do Dia de Materiais do Laboratório de Pesquisa de Materiais do MIT na quarta-feira, 9 de outubro no Auditório Kresge.

O professor associado Hu explicou recentemente o que levou ao seu espectrômetro inovador, e por que ele está otimista de que o aprendizado de máquina e a inteligência artificial estão se tornando uma ferramenta diária na pesquisa de materiais.

P:Seu trabalho de espectrômetro, em particular, fez uso de técnicas de aprendizado de máquina. Como a nova abordagem está mudando o processo de descoberta na ciência dos materiais?

R:Basicamente, desenvolvemos uma nova tecnologia de espectrômetro que nos permite reduzir grandes componentes em um pequeno chip de silício e ainda manter o alto desempenho. Desenvolvemos um algoritmo que nos permite extrair as informações com uma relação sinal-ruído muito melhor. Nós validamos o algoritmo para muitos tipos diferentes de espectro. O algoritmo identifica cores separadas de luz, comparando duas medições repetidas para mitigar o impacto dos ruídos de medição. O algoritmo melhora a resolução em 100 por cento em comparação com os limites do livro didático, chamados de limites de Rayleigh.

P:Como você está usando o aprendizado de máquina para identificar novos materiais óticos e designs para o seu trabalho em lentes de infravermelho médio compostas de arranjos de antenas óticas?

R:Estamos colaborando com um grupo da UMass [Universidade de Massachusetts] para desenvolver um algoritmo de aprendizado profundo para projetar "metassuperfícies, "que são uma espécie de dispositivo óptico onde, em vez de usar curvatura geométrica convencional para construir, dizer, uma lente, você usa uma série de antenas ópticas especialmente projetadas para transmitir atraso de fase na luz que entra, e, portanto, podemos alcançar todos os tipos de funcionalidades. Um grande problema com metassuperfícies é que convencionalmente, quando as pessoas projetariam essas metassuperfícies, eles fariam isso essencialmente por tentativa e erro.

Configuramos um algoritmo de aprendizado profundo. O algoritmo nos permite treiná-lo com os dados existentes. Então, à medida que o treinamos, eventualmente, o algoritmo se torna "inteligente". O algoritmo pode avaliar a viabilidade de formas irregulares que vão além das formas convencionais, como círculos e retângulos. Ele pode reconhecer conexões ocultas entre geometrias complexas e a resposta eletromagnética, o que geralmente não é trivial, e pode encontrar essas relações ocultas mais rápido do que as simulações convencionais em escala real. O algoritmo também pode filtrar combinações potenciais de materiais e funções que simplesmente não funcionam. Se você usar métodos convencionais, você tem que perder muito tempo para exaurir todo o espaço de design possível e então chegar a esta conclusão, mas agora nosso algoritmo pode dizer a você muito rapidamente.

P:Que outros avanços estão facilitando o uso do aprendizado de máquina na ciência dos materiais?

R:Outra coisa que estamos vendo é que agora também temos acesso muito mais fácil a muito poderosos, recursos computacionais baseados em nuvem que estão comercialmente disponíveis. Então, essa combinação de hardware, fácil acesso, recursos de computação muito poderosos, e os novos algoritmos, é isso que nos permite fazer inovações. Novamente, por exemplo, com metasurfaces, se você olhar para designs antigos, as pessoas estavam usando geometrias regulares como círculos, praças, retângulos, mas nós, assim como muitos outros na comunidade, agora estão mudando para dispositivos ópticos topologicamente otimizados. E para projetar essas estruturas, a combinação de novos algoritmos e recursos computacionais poderosos é a chave para projetar dispositivos enormes, como macroscópicos, ótica topologicamente otimizada em espaço tridimensional.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.