I computer occupavano intere stanze. Oggi, un laptop da due libbre può scivolare senza sforzo in uno zaino. Ma questo non sarebbe stato possibile senza la creazione di nuovi, processori più piccoli, possibili solo con l'innovazione di nuovi materiali.

Ma in che modo gli scienziati dei materiali inventano effettivamente nuovi materiali? Attraverso la sperimentazione, spiega Sanket Deshmukh, un assistente professore nel dipartimento di ingegneria chimica il cui team di ricerca computazionale recentemente pubblicato potrebbe migliorare notevolmente l'efficienza e il risparmio sui costi del processo di progettazione dei materiali.

il laboratorio di Deshmukh, il laboratorio di progettazione computazionale di materiali ibridi, è dedicato alla comprensione e alla simulazione dei modi in cui le molecole si muovono e interagiscono, cruciale per creare un nuovo materiale.

Negli ultimi anni, apprendimento automatico, un potente sottoinsieme di intelligenza artificiale, è stato impiegato dagli scienziati dei materiali per accelerare la scoperta di nuovi materiali attraverso simulazioni al computer. Deshmukh e il suo team hanno recentemente pubblicato ricerche in Journal of Physical Chemistry Letters dimostrando un nuovo framework di machine learning che si allena "al volo, " il che significa che elabora istantaneamente i dati e impara da essi per accelerare lo sviluppo di modelli computazionali.

Tradizionalmente lo sviluppo di modelli computazionali è "eseguito manualmente tramite un approccio per tentativi ed errori, che è molto costoso e inefficiente, ed è un compito ad alta intensità di lavoro, " Ha spiegato Deshmukh.

"Questo nuovo framework non utilizza solo l'apprendimento automatico in un modo unico per la prima volta, "Deshmukh ha detto, "ma accelera anche notevolmente lo sviluppo di modelli computazionali accurati dei materiali".

"Formiamo il modello di apprendimento automatico in modo 'inverso' utilizzando le proprietà di un modello ottenuto da simulazioni di dinamica molecolare come input per il modello di apprendimento automatico, e utilizzando i parametri di input utilizzati nelle simulazioni di dinamica molecolare come output per il modello di apprendimento automatico, " ha detto Karteek Bejagam, un ricercatore post-dottorato nel laboratorio di Deshmukh e uno degli autori principali dello studio.

Questo nuovo framework consente ai ricercatori di eseguire l'ottimizzazione dei modelli computazionali, a una velocità insolitamente maggiore, fino a raggiungere le proprietà desiderate di un nuovo materiale.

La parte migliore? Indipendentemente dall'accuratezza delle previsioni dei modelli di apprendimento automatico, poiché vengono testati al volo, questi modelli non hanno alcun impatto negativo sull'ottimizzazione del modello, se è impreciso. "Non può far male, può solo aiutare, " ha detto Samrendra Singh, uno studioso in visita nel laboratorio di Deshmukh e un altro autore dello studio.

"La bellezza di questo nuovo framework di machine learning è che è molto generale, il che significa che il modello di apprendimento automatico può essere integrato con qualsiasi algoritmo di ottimizzazione e tecnica computazionale per accelerare la progettazione dei materiali, " ha detto Singh.

La pubblicazione, guidato da Bejagam e Singh e con la collaborazione di Ph.D. in ingegneria chimica. studente Yaxin An, mostra l'uso di questa nuova struttura sviluppando i modelli di due solventi come prova di concetto.

Il laboratorio di Deshmukh prevede di basarsi sulla ricerca utilizzando questo nuovo framework basato sull'apprendimento automatico per sviluppare modelli di vari materiali che hanno potenziali applicazioni biomediche ed energetiche.