Desarrollo de una técnica de predicción de IA versátil y precisa incluso con un número reducido de experimentos

21.12.2021 - Japón

NIMS, Asahi Kasei, Mitsubishi Chemicals, Mitsui Chemicals y Sumitomo Chemical han utilizado el marco de la plataforma abierta de materiales químicos para desarrollar una técnica de IA capaz de aumentar la precisión de las predicciones basadas en el aprendizaje automático de las propiedades de los materiales (por ejemplo, resistencia, fragilidad) mediante el uso eficiente de los datos estructurales del material obtenidos a partir de un número reducido de experimentos. Esta técnica puede acelerar el desarrollo de diversos materiales, incluidos los polímeros.

La investigación en informática de materiales aprovecha los modelos de aprendizaje automático para predecir las propiedades físicas de los materiales de interés en función de los parámetros de composición y procesamiento (por ejemplo, temperatura y presión). Este enfoque ha acelerado el desarrollo de materiales. Cuando se sabe que las propiedades físicas de los materiales están fuertemente influenciadas por sus microestructuras posteriores al procesamiento, la precisión de la predicción de propiedades del modelo puede mejorarse eficazmente incorporando al mismo datos relacionados con la microestructura (por ejemplo, datos de difracción de rayos X (XRD) y calorimetría diferencial de barrido (DSC)). Sin embargo, estos tipos de datos sólo pueden obtenerse analizando realmente los materiales procesados. Además de estos análisis, la mejora de la precisión de la predicción requiere parámetros predeterminados (por ejemplo, las composiciones de los materiales).

Este grupo de investigación ha desarrollado una técnica de IA capaz de seleccionar en primer lugar materiales candidatos potencialmente prometedores para su fabricación y, a continuación, predecir con precisión sus propiedades físicas utilizando datos de DRX, DSC y otras mediciones obtenidas a partir de sólo un pequeño número de materiales realmente sintetizados. Esta técnica selecciona los materiales candidatos utilizando la optimización bayesiana y otros métodos, y repite el proceso de selección basado en la IA mientras incorpora los datos de medición a los modelos de aprendizaje automático. Para comprobar la eficacia de la técnica, el grupo la utilizó para predecir las propiedades físicas de las poliolefinas. El resultado fue que esta técnica mejoró la precisión de la predicción de las propiedades de los materiales de los modelos de aprendizaje automático con un conjunto de muestras más pequeño de materiales realmente sintetizados que los métodos en los que los materiales candidatos se seleccionaban al azar.

El uso de esta técnica de mejora de la precisión de la predicción puede permitir una comprensión más profunda de la relación entre las estructuras de los materiales y las propiedades físicas, lo que facilitaría la investigación de las causas fundamentales de las propiedades de los materiales y la formulación de directrices de desarrollo de materiales más eficientes. Además, se espera que esta técnica sea aplicable al desarrollo de una amplia gama de materiales, además de las poliolefinas y otros polímeros, promoviendo así la transformación digital (DX) en el desarrollo de materiales.

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

Ryo Tamura et al.; "Experimental design for the highly accurate prediction of material properties using descriptors obtained by measurement"; Science and Technology of Advanced Materials Methods; 2021

https://www.quimica.es/noticias/1174016/desarrollo-de-una-tecnica-de-prediccion-de-ia-versatil-y-precisa-incluso-con-un-nnmero-reducido-de-experimentos.html