Scienziati dell'Università della Carolina del Nord a Chapel Hill e della Duke University hanno creato il primo metodo generico per utilizzare l'apprendimento automatico per prevedere le proprietà di nuovi metalli, ceramiche e altri materiali cristallini e per trovare nuovi usi per materiali esistenti, una scoperta che potrebbe far risparmiare innumerevoli ore sprecate nel processo di tentativi ed errori di creazione di materiali nuovi e migliori.
I ricercatori guidati da Olexandr Isayev, dottorato di ricerca, e Alexander Tropsha, dottorato di ricerca, presso l'UNC Eshelman School of Pharmacy ha utilizzato dati su circa 60, 000 materiali unici dal database della struttura cristallina inorganica del National Institute of Standards and Technology per creare una nuova metodologia chiamata Frammenti di materiali etichettati con proprietà.
Utilizzando l'apprendimento automatico per analizzare e modellare strutture cristalline esistenti, il metodo PLMF è in grado di prevedere le proprietà di nuovi materiali proposti da scienziati e ingegneri. Lo strumento è stato persino in grado di riempire i valori mancanti per le proprietà dei materiali nel database NIST che non erano mai stati testati sperimentalmente.
"La tecnologia è spesso guidata dalla scoperta di nuovi materiali, ma il processo di scoperta di questi materiali è sempre stato piuttosto casuale, " Tropsha ha detto. "Il nostro nuovo strumento applica l'approccio basato sui dati e sulla conoscenza che usiamo nelle scienze farmaceutiche per progettare farmaci. Perché creare nuovi materiali richiede un'incredibile quantità di tempo e fatica che spesso finisce in delusioni, il nostro strumento PLMF consente agli scienziati dei materiali di testare una nuova idea prima ancora di alzare un dito per sintetizzarla."
Tropsha è il K.H. Lee Distinguished Professor presso la Scuola e direttore del Laboratorio di Modellistica Molecolare. Isayev è un assistente professore di ricerca. Il loro lavoro è stato pubblicato in Comunicazioni sulla natura , e lo strumento PLMF è pubblicamente disponibile come applicazione web di facile utilizzo all'indirizzo http://aflow.org/aflow-ml.
Il metodo PLMF funziona creando "impronte digitali" dalla struttura dei cristalli che comprendono le più piccole unità di materiali inorganici come la ceramica, metalli e leghe metalliche. La combinazione delle impronte digitali con l'apprendimento automatico ha permesso la creazione di modelli universali in grado di prevedere con precisione otto proprietà elettroniche e termomeccaniche critiche di praticamente qualsiasi materiale cristallino inorganico. Le proprietà includono conducibilità, rigidità e comprimibilità, trasferimento di calore e risposta al cambiamento di temperatura, e il team prevede di incorporare più proprietà man mano che raccolgono più dati, disse Isaev.
"In molti progetti pratici, le persone conoscono la gamma di valori che desiderano per una determinata proprietà, " ha detto Isayev. "Possiamo sfruttare ciò che sappiamo su questi materiali e l'apprendimento automatico esperto per selezionare rapidamente i potenziali materiali per la proprietà giusta. I ricercatori possono restringere rapidamente i materiali candidati ed evitare molti calcoli estranei e complessi. Questo fa risparmiare denaro, tempo e risorse di calcolo".
Nella prima applicazione pratica per l'apprendimento automatico, il team ha lavorato con l'assistente professore Jim Cahoon, dottorato di ricerca, presso il Dipartimento di Chimica dell'UNC per progettare un nuovo materiale per elettrodi per un tipo di celle solari a basso costo. L'ossido di nichel attualmente utilizzato, non è molto efficiente, tossico e richiede solventi organici per funzionare nella cellula.
Gli scienziati hanno virtualmente selezionato 50, 000 composti inorganici noti e identificato il titanato di piombo come il materiale più promettente e i successivi test lo hanno confermato. I dispositivi che utilizzano titanato di piombo hanno mostrato le migliori prestazioni in soluzione acquosa, consentendo un passaggio dai solventi a una soluzione a base d'acqua che potrebbe aiutare a ridurre i costi pur essendo più rispettosa dell'ambiente.
"Il titanato di piombo probabilmente non sarebbe stato la prima scelta della maggior parte degli scienziati dei materiali perché la sua struttura è così dissimile dall'ossido di nichel, " disse Isayev. "Materiali derivati dal ferro, è più probabile che vengano presi in considerazione il cobalto o il rame perché sono chimicamente più simili al nichel. Il PLMF e l'apprendimento automatico hanno trovato soluzioni semplici e innovative che hanno risparmiato ore incalcolabili di ricerche per tentativi ed errori."
