El aprendizaje automático impulsa la búsqueda de materiales "superduros"...
El modelo predice nuevos materiales prometedores
Los materiales superduros tienen una gran demanda en la industria, desde la producción de energía hasta la aeroespacial, pero encontrar nuevos materiales adecuados ha sido en gran medida una cuestión de prueba y error basada en materiales clásicos como los diamantes. Hasta ahora.
Los investigadores han desarrollado un modelo de aprendizaje de máquinas que puede predecir con precisión la dureza de los nuevos materiales, lo que permite a los científicos encontrar más fácilmente compuestos adecuados para su uso en una variedad de aplicaciones.
University of Houston
Los investigadores de la Universidad de Houston y del Manhattan College han informado de un modelo de aprendizaje por máquina que puede predecir con precisión la dureza de los nuevos materiales, lo que permite a los científicos encontrar más fácilmente compuestos adecuados para su uso en una variedad de aplicaciones. El trabajo fue reportado en Materiales Avanzados.
Los materiales que son superduros - definidos como aquellos con un valor de dureza superior a 40 gigapascales en la escala de Vickers, lo que significa que se necesitarían más de 40 gigapascales de presión para dejar una hendidura en la superficie del material - son raros.
"Esto hace que la identificación de nuevos materiales sea un desafío", dijo Jakoah Brgoch, profesor asociado de química en la UH y autor correspondiente del artículo. "Es por eso que materiales como el diamante sintético se siguen utilizando a pesar de que son difíciles y costosos de hacer."
Uno de los factores que complican es que la dureza de un material puede variar dependiendo de la cantidad de presión ejercida, lo que se conoce como dependencia de la carga. Eso hace que probar un material experimentalmente complejo y usar modelos computacionales hoy en día sea casi imposible.
El modelo reportado por los investigadores supera eso al predecir la dureza Vickers dependiente de la carga basándose únicamente en la composición química del material. Los investigadores reportan haber encontrado más de 10 nuevas y prometedoras fases estables de borocarburos; se está trabajando ahora en el diseño y producción de los materiales para que puedan ser probados en el laboratorio.
Basándose en la exactitud reportada del modelo, las probabilidades son buenas. Los investigadores informaron de una precisión del 97%.
El primer autor, Ziyan Zhang, estudiante de doctorado en la UH, dijo que la base de datos construida para entrenar el algoritmo se basa en datos que involucran 560 compuestos diferentes, cada uno de los cuales produce varios puntos de datos. Encontrar los datos requirió analizar cientos de artículos académicos publicados para encontrar los datos necesarios para construir un conjunto de datos representativo.
"Todos los buenos proyectos de aprendizaje de máquinas comienzan con un buen conjunto de datos", dijo Brgoch, quien también es investigador principal del Centro de Superconductividad de Texas en la UH. "El verdadero éxito es en gran medida el desarrollo de este conjunto de datos."
Además de Brgoch y Zhang, otros investigadores del proyecto incluyen a Aria Mansouri Tehrani y Blake Day, ambos de UH, y Anton O. Oliynyk de la Universidad de Manhattan.
Los investigadores han usado tradicionalmente el aprendizaje por máquina para predecir una sola variable de dureza, dijo Brgoch, pero eso no explica las complejidades de la propiedad como la dependencia de la carga, que dijo que todavía no se entienden bien. Eso hace que el aprendizaje automático sea una buena herramienta, a pesar de las limitaciones anteriores.
"Un sistema de aprendizaje automático no necesita entender la física", dijo. "Sólo analiza los datos de entrenamiento y hace nuevas predicciones basadas en estadísticas".
El aprendizaje automático tiene limitaciones, sin embargo. "La idea de usar el aprendizaje automático no es decir, 'Aquí está el siguiente mejor material', sino ayudar a guiar nuestra búsqueda experimental", dijo Brgoch. "Te dice dónde debes buscar".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
