Figura 1. Diagrama esquemático do Projeto Flagship M3I3. Este projeto visa alcançar a integração perfeita das relações multiescala "estrutura-propriedade" e "propriedade de processamento" por meio da modelagem de materiais, imagem, e aprendizado de máquina. Com a capacidade de síntese automática guiada por inteligência artificial (IA), M3I3 fornecerá desenvolvimento acelerado de novos materiais em um futuro próximo. Crédito:KAIST
O desenvolvimento de novos materiais e novos processos continuou a mudar o mundo. A Iniciativa M3I3 na KAIST levou a novos insights sobre o avanço do desenvolvimento de materiais, implementando inovações na geração de imagens de materiais que criaram uma mudança de paradigma na descoberta de materiais. A iniciativa apresenta a modelagem multiescala e imagens de estruturas e relações de propriedade e hierarquias de materiais combinadas com os dados de processamento de material mais recentes.
A equipe de pesquisa liderada pelo professor Seungbum Hong analisou os projetos de pesquisa de materiais relatados pelos principais institutos e grupos de pesquisa globais, e derivou um modelo quantitativo usando aprendizado de máquina com uma interpretação científica. Este processo incorpora o objetivo de pesquisa do M3I3:Materiais e Modelagem Molecular, Imaging, Informática e Integração.
Os pesquisadores discutiram o papel dos materiais multiescala e da imagem molecular combinados com o aprendizado de máquina e também apresentaram uma perspectiva futura para os desenvolvimentos e os principais desafios do M3I3. Ao construir este modelo, a equipe de pesquisa prevê a criação de conjuntos desejados de propriedades para materiais e a obtenção de receitas de processamento ideais para sintetizá-los.
"O desenvolvimento de várias ferramentas de microscopia e difração com a capacidade de mapear a estrutura, propriedade, e o desempenho de materiais em níveis multiescala e em tempo real nos permitiu pensar que a imagem de materiais poderia acelerar radicalmente a descoberta e o desenvolvimento de materiais, "diz o professor Hong.
"Planejamos construir um repositório M3I3 de mapas estruturais e de propriedades pesquisáveis usando FAIR (Findable, Acessível, Interoperável, e Reutilizáveis) princípios para padronizar as melhores práticas, bem como simplificar o treinamento de pesquisadores em início de carreira. "
Figura 2. Gráfico de triângulo de contorno de capacidade como funções de composição (Ni, Co, e Mn), tamanho da partícula, temperatura / tempo de sinterização, temperatura de medição, tensão de corte, e C-rate. Crédito:KAIST
Um dos exemplos que mostra o poder da imagem de propriedade de estrutura em nanoescala é o desenvolvimento de materiais futuros para dispositivos emergentes de memória não volátil. Especificamente, a equipe de pesquisa se concentrou na microscopia usando fótons, elétrons, e sondas físicas na hierarquia estrutural multiescala, bem como relações estrutura-propriedade para melhorar o desempenho dos dispositivos de memória.
"M3I3 é um algoritmo para realizar a engenharia reversa de materiais futuros. A engenharia reversa começa analisando a estrutura e a composição de materiais ou produtos de ponta. Assim que a equipe de pesquisa determina o desempenho de nossos materiais futuros almejados, precisamos conhecer as estruturas e composições candidatas para a produção dos materiais futuros. "
A equipe de pesquisa construiu um projeto experimental baseado em dados baseado no NCM tradicional (níquel, cobalto, e manganês) materiais catódicos. Com isso, a equipe de pesquisa expandiu sua direção futura para alcançar uma capacidade de descarga ainda maior, que pode ser realizado por meio de cátodos ricos em Li.
Contudo, um dos maiores desafios era a limitação dos dados disponíveis que descrevem as propriedades do cátodo rico em Li. Para mitigar este problema, os pesquisadores propuseram duas soluções:primeiro, eles devem construir um gerador de dados guiado por aprendizado de máquina para aumento de dados. Segundo, eles usariam um método de aprendizado de máquina baseado em 'aprendizado por transferência'. Uma vez que o banco de dados de cátodo NCM compartilha uma característica comum com um cátodo rico em Li, pode-se considerar o reaproveitamento do modelo treinado do NCM para auxiliar na predição rica em Li. Com o modelo pré-treinado e transferência de aprendizagem, a equipe espera alcançar excelentes previsões para cátodos ricos em Li, mesmo com o pequeno conjunto de dados.
Com os avanços em imagens experimentais e a disponibilidade de informações bem resolvidas e big data, junto com avanços significativos na computação de alto desempenho e um impulso mundial em direção a uma visão geral, colaborativo, integrativo, e plataforma de pesquisa sob demanda, há uma confluência clara nas capacidades necessárias para o avanço da Iniciativa M3I3.
Professor Hong disse, "Assim que conseguirmos usar o solucionador inverso de" processamento de estrutura de propriedade "para desenvolver o cátodo, ânodo, eletrólito, e materiais de membrana para baterias de íon-lítio de alta densidade de energia, vamos expandir nosso escopo de materiais para baterias / células de combustível, aeroespacial, automóveis, Comida, Medicina, e materiais cosméticos. "