Descubrir nuevos materiales con la ayuda del aprendizaje automático
Un equipo internacional de investigación publica un marco universal en la revista Science
Los nuevos materiales son la clave de nuestra transición hacia una economía más sostenible. Sin embargo, la búsqueda y el diseño de nuevos materiales que se ajusten a los requisitos tecnológicos específicos requieren mucho tiempo y dinero. Especialmente en el caso de las aleaciones de alta entropía, que son soluciones sólidas de múltiples elementos principales, el número de combinaciones posibles es demasiado grande para utilizar métodos de ensayo y error. Un equipo de investigación internacional ha desarrollado ahora un marco de aprendizaje automático activo de bucle cerrado que mejora la eficacia experimental en la identificación de nuevas aleaciones con las propiedades deseadas en órdenes de magnitud, ahorrando tiempo y costes. El marco se ha aplicado con éxito para descubrir nuevas aleaciones de Invar utilizadas para transportar hidrógeno líquido, amoníaco y gas natural, y dicho marco puede aplicarse universalmente a la optimización de otros materiales mecánicos y funcionales. El equipo de investigación, dirigido por científicos del Max-Planck-Institut für Eisenforschung (MPIE), publica ahora sus recientes resultados en la revista Science.
Computer generated picture
"Si sólo consideramos los elementos más utilizados en la tabla periódica, resultan 1050 posibles variantes de aleación, un número que supera cualquier aproximación experimental. Por eso hemos utilizado un marco de aprendizaje activo basado en modelos probabilísticos y redes neuronales artificiales", explica el Dr. Ziyuan Rao, investigador postdoctoral del MPIE y primer autor de la publicación. El equipo de investigación del MPIE, la Universidad Técnica de Darmstadt, la Universidad Tecnológica de Delft (Países Bajos) y el KTH Royal Institute of Technology (Suecia) buscó aleaciones de Invar con mejores propiedades de expansión térmica. Estas aleaciones están hechas de hierro y níquel y no se expanden ni se contraen con los cambios de temperatura. Son ideales para tanques que almacenan gases a temperaturas entre -160 °C y la temperatura ambiente. "Predecir las aleaciones Invar es un problema muy difícil desde el punto de vista computacional. Hay que tener en cuenta la delicada interacción entre el magnetismo y las vibraciones de la red, que influyen en la expansión térmica. El descubrimiento de nuevas aleaciones de invar es, por tanto, una excelente prueba de concepto de nuestra aportación computacional, así como del marco de aprendizaje activo desarrollado", afirma el Dr. Fritz Körmann, jefe del grupo de investigación de la Universidad de Delft y del MPIE y coautor de la publicación. El marco de aprendizaje activo desarrollado por los científicos consta de tres pasos básicos. En primer lugar, se encuentran composiciones de aleación prometedoras basándose en un modelo generativo profundo que combina el aprendizaje no supervisado con el muestreo estocástico. En el siguiente paso, estas composiciones se seleccionan con la ayuda de un modelo de regresión de conjunto de dos etapas que da como resultado unas 20 composiciones sugeridas. Estas composiciones se clasifican y los tres mejores candidatos se procesan y caracterizan experimentalmente. "Integramos las predicciones del modelo sustitutivo, los cálculos teóricos y la validación experimental en un marco de bucle cerrado, y en sólo seis iteraciones identificamos con éxito dos nuevas aleaciones finales de Invar con coeficientes de expansión térmica mejorados", afirma el profesor Hongbin Zhang de la Universidad Técnica de Darmstadt y coautor de la publicación.
"Los modelos de aprendizaje automático han tenido un éxito asombroso cuando se dispone de cantidades ilimitadas de datos, por ejemplo en los videojuegos o cuando se entrenan con casi un tercio del contenido de Internet. Sin embargo, es mucho más difícil encontrar casos de uso en los que la inteligencia artificial haya marcado la diferencia en el mundo real. Es muy emocionante ver que las predicciones no sólo se probaron en la simulación, sino que se produjeron y probaron físicamente nuevas aleaciones", afirma el profesor Stefan Bauer, del Real Instituto de Tecnología KTH y experto en aprendizaje automático. Los científicos se centrarán ahora en otras propiedades de los materiales, como el magnetismo, y desarrollarán los pasos necesarios para ello.
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
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.
