Aprendizado de máquina, um campo focado no treinamento de computadores para reconhecer padrões em dados e fazer novas previsões, está ajudando os médicos a diagnosticar doenças com mais precisão e os analistas de ações prevêem a ascensão e queda dos mercados financeiros. E agora os cientistas de materiais foram os pioneiros em outra aplicação importante para aprendizado de máquina - ajudando a acelerar a descoberta e o desenvolvimento de novos materiais.

Pesquisadores do Center for Nanoscale Materials and the Advanced Photon Source, ambos do Departamento de Energia dos EUA (DOE) Office of Science User Facilities no Argonne National Laboratory do DOE, anunciou o uso de ferramentas de aprendizado de máquina para prever com precisão o físico, propriedades químicas e mecânicas dos nanomateriais.

Em um estudo publicado em The Journal of Physical Chemistry Letters , uma equipe de pesquisadores liderada pelo cientista computacional de Argonne Subramanian Sankaranarayanan descreveu o uso de ferramentas de aprendizado de máquina para criar o primeiro modelo de nível atômico que prevê com precisão as propriedades térmicas do estaneno, um material bidimensional (2-D) feito de uma folha de estanho com a espessura de um átomo.

O estudo revela pela primeira vez uma abordagem para modelagem de materiais que aplica aprendizado de máquina e é mais precisa na previsão de propriedades de materiais em comparação com modelos anteriores.

"A modelagem preditiva é particularmente importante para materiais recém-descobertos, para aprender para que servem, como eles respondem a diferentes estímulos e também como cultivar efetivamente o material para aplicações comerciais - tudo antes de investir em uma fabricação cara, "disse o pesquisador de pós-doutorado de Argonne Mathew Cherukara, um dos principais autores do estudo.

Tradicionalmente, modelos de materiais em escala atômica levaram anos para se desenvolver, e os pesquisadores tiveram que confiar amplamente em sua própria intuição para identificar os parâmetros sobre os quais um modelo seria construído. Mas, usando uma abordagem de aprendizado de máquina, Cherukara e seus colegas pesquisadores conseguiram reduzir a necessidade de informações humanas e, ao mesmo tempo, encurtar o tempo para criar um modelo preciso para alguns meses.

"Inserimos dados obtidos a partir de cálculos experimentais ou caros baseados em teoria, e então pergunte à máquina, 'Você pode me dar um modelo que descreva todas essas propriedades?' "Disse Badri Narayanan, um pesquisador de pós-doutorado em Argonne e outro autor principal do estudo. "Também podemos fazer perguntas como, 'Podemos otimizar a estrutura, induzir defeitos ou adaptar o material para obter as propriedades desejadas específicas? '"

Ao contrário da maioria dos modelos anteriores, o modelo de aprendizado de máquina pode capturar a formação de vínculo e eventos de quebra com precisão; isso não só produz previsões mais confiáveis ​​de propriedades do material (por exemplo, condutividade térmica), mas também permite que os pesquisadores capturem as reações químicas com precisão e entendam melhor como materiais específicos podem ser sintetizados.

Outra vantagem de construir modelos usando aprendizado de máquina é que o processo não depende de materiais, o que significa que os pesquisadores podem olhar para muitas classes diferentes de materiais e aplicar o aprendizado de máquina a vários outros elementos e suas combinações.

O modelo computacional Cherukara, Narayanan e seus colegas desenvolveram descreve o estaneno, uma estrutura de estanho que chamou a atenção de pesquisadores nos últimos anos. O interesse em estaneno reflete um interesse crescente em materiais 2-D que evoluem a partir da descoberta do grafeno em 2004, um arranjo de camada única de carbono com eletrônicos atraentes, propriedades térmicas e mecânicas. Enquanto o estaneno permanece longe da comercialização, pesquisadores acham que é promissor para aplicações em gerenciamento térmico (a regulação do calor) em alguns dispositivos em nanoescala.

O estudo, " Ab Initio - Potencial de pedido de ligação com base para investigar baixa condutividade térmica de nanoestruturas de Stanene, "apareceu no The Journal of Physics Chemistry Letters .