Con o sin disquete: La IA predice las propiedades de los metamateriales complejos
Incluso cuando se da un conjunto relativamente pequeño de ejemplos para aprender
Dada una pieza de origami en 3D, ¿se puede aplanar sin dañarla? La respuesta es difícil de predecir con sólo mirar el diseño, ya que todos y cada uno de los pliegues del diseño deben ser compatibles con el aplanamiento. Este es un ejemplo de problema combinatorio. Una nueva investigación dirigida por el Instituto de Física de la UvA y el instituto de investigación AMOLF ha demostrado que los algoritmos de aprendizaje automático pueden responder con precisión y eficacia a este tipo de preguntas. Se espera que esto dé un impulso al diseño de (meta)materiales complejos y funcionales asistido por la inteligencia artificial.
Dos metamateriales mecánicos combinados diseñados de tal manera que las letras M y L sobresalen por delante al ser apretadas entre dos placas (superior e inferior). La IA facilita el diseño de metamateriales novedosos como este.
Daan Haver and Yao Du, UvA
En su último trabajo, publicado en Physical Review Letters, el equipo de investigadores ha comprobado la capacidad de la inteligencia artificial (IA) para predecir las propiedades de los llamados metamateriales mecánicos combinatorios.
Materiales artificiales
Se trata de materiales diseñados cuyas propiedades vienen determinadas por su estructura geométrica y no por su composición química. Una pieza de origami también es un tipo de metamaterial, cuya capacidad de aplanarse (una propiedad físicamente bien definida) viene determinada por cómo se dobla (su estructura), más que por el tipo de papel con el que está hecho. En términos más generales, el diseño inteligente nos permite controlar con precisión dónde o cómo se doblará, combará o abultará un metamaterial, lo que puede utilizarse para todo tipo de cosas, desde amortiguadores hasta el despliegue de paneles solares en un satélite en el espacio.
Un metamaterial combinatorio típico estudiado en el laboratorio se compone de dos o más tipos u orientaciones de bloques de construcción, que se deforman de formas distintas cuando se aplica una fuerza mecánica. Si estos bloques de construcción se combinan de forma aleatoria, el material en su conjunto no suele doblarse bajo presión porque no todos los bloques podrán deformarse como quieren; se atascarán. Cuando un bloque de construcción quiere abultarse hacia fuera, su vecino debería poder aplastarse hacia dentro. Para que el metamaterial se doble fácilmente, todos los bloques de construcción deformados deben encajar como un rompecabezas. Al igual que el cambio de un solo pliegue puede hacer que una pieza de origami no se pueda aplanar, el cambio de un solo bloque puede hacer que un metamaterial "flojo" se vuelva rígido.
Difícil de predecir
Aunque los metamateriales tienen muchas aplicaciones potenciales, diseñar uno nuevo es todo un reto. Partiendo de un conjunto concreto de bloques de construcción, deducir las propiedades generales de los metamateriales para diferentes estructuras se reduce a menudo a la prueba y el error. En los tiempos que corren, no queremos hacer todo esto a mano. Sin embargo, dado que las propiedades de los metamateriales combinatorios son tan sensibles a los cambios en los bloques de construcción individuales, los métodos estadísticos y numéricos convencionales son lentos y propensos a cometer errores.
En cambio, los investigadores descubrieron que el aprendizaje automático puede ser la respuesta: incluso cuando se les da un conjunto relativamente pequeño de ejemplos para aprender, las llamadas redes neuronales convolucionales son capaces de predecir con precisión las propiedades de los metamateriales de cualquier configuración de bloques de construcción hasta el más mínimo detalle.
"Esto superó con creces nuestras expectativas", afirma el estudiante de doctorado y primer autor, Ryan van Mastrigt. "La precisión de las predicciones nos muestra que las redes neuronales han aprendido realmente las reglas matemáticas que subyacen a las propiedades de los metamateriales, incluso cuando nosotros mismos no conocemos todas las reglas".
Este hallazgo sugiere que podemos utilizar la IA para diseñar nuevos metamateriales complejos con propiedades útiles. En términos más generales, la aplicación de las redes neuronales a los problemas combinatorios nos permite plantear muchas preguntas apasionantes. Quizá puedan ayudarnos a resolver problemas (combinatorios) en otros contextos. Y a la inversa, los hallazgos pueden mejorar nuestra comprensión de las propias redes neuronales, demostrando, por ejemplo, cómo la complejidad de una red neuronal se relaciona con la complejidad de los problemas que puede resolver.
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.
