Un team di ricerca ingegneristica della Texas A&M sta sfruttando la potenza dell'apprendimento automatico, data science e la conoscenza del dominio degli esperti per scoprire in autonomia nuovi materiali.

Il team ha sviluppato e dimostrato un framework autonomo ed efficiente in grado di esplorare in modo ottimale uno spazio di progettazione dei materiali (lo spazio di progettazione dei materiali è un'astrazione del mondo concreto. È lo spazio di tutti i possibili materiali oggetto di studio, caratterizzato da caratteristiche materiali fondamentali).

Un sistema autonomo, o agente di intelligenza artificiale (AI), è definito come qualsiasi sistema in grado di costruire una rappresentazione interna, o modello, del problema di interesse, e che quindi utilizza il modello per prendere decisioni e intraprendere azioni indipendenti dal coinvolgimento umano.

Gli autori di questo lavoro interdisciplinare sono la Dott.ssa Anjana Talapatra e il Dott. Raymundo Arroyave del Dipartimento di Scienza e Ingegneria dei Materiali, e Shahin Boluki, Dr. Xiaoning Qian e Dr. Edward Dougherty del Dipartimento di Ingegneria Elettrica e Informatica.

Il loro framework autonomo è in grado di scegliere in modo adattivo i migliori modelli di apprendimento automatico per trovare il materiale ottimale per soddisfare qualsiasi criterio. La loro ricerca, finanziato dalla National Science Foundation e dall'Air Force Office of Scientific Research, ridurrà il tempo ei costi spesi passando dal laboratorio al mercato garantendo la massima efficienza possibile nella ricerca del materiale giusto.

La teoria matematica sottostante ha molte applicazioni, compreso interessare il campo della biomedicina. Per esempio, con il loro quadro bayesiano di apprendimento e progettazione di esperimenti, una malattia può essere modellata per scoprire fattori di rischio critici per sviluppare terapie efficaci per pazienti specifici e ridurre il costo degli studi clinici sull'uomo.

"I materiali avanzati sono essenziali per la sicurezza economica e il benessere umano, con applicazioni nelle industrie volte ad affrontare le sfide nell'energia pulita, sicurezza nazionale e benessere umano, tuttavia possono essere necessari 20 o più anni per spostare un materiale dopo la scoperta iniziale sul mercato.—Materials Genome Initiative

Il team ha voluto testare il framework in modo esaustivo, quindi hanno effettuato la dimostrazione in una piattaforma computazionale a ciclo chiuso, usando la meccanica quantistica per prevedere le proprietà delle fasi MAX, che sono materiali promettenti per applicazioni ad alta temperatura, compresi nuovi rivestimenti resistenti all'ossidazione per le pale delle turbine dei motori a reazione. Il gruppo Texas A&M sta anche applicando la struttura alla scoperta di leghe a memoria di forma ad alta temperatura che possono essere utilizzate per costruire veicoli aerospaziali con ali morphing, Per esempio.

Innovazione autonoma

In precedenza sono state condotte ricerche significative su tecniche di progettazione di esperimenti efficienti. Però, questo team è il primo ad utilizzare una tecnica basata su bayesiano (nel senso che fa il punto su tutto ciò che è noto su una classe di materiale/materiale e sfrutta tale conoscenza per trovare il materiale migliore) e lo impiega in modo autonomo, alla continua ricerca non solo del miglior calcolo/esperimento da eseguire, ma anche del miglior modello per rappresentare i dati acquisiti.

"L'esplorazione accelerata dello spazio dei materiali per identificare configurazioni con proprietà ottimali è una sfida continua, " disse Talapatra, che lavora come scienziato computazionale nel laboratorio di materiali computazionali di Arroyave. "Gli attuali paradigmi sono incentrati sull'idea di eseguire questa esplorazione attraverso la sperimentazione e/o il calcolo ad alto rendimento. Questi approcci non tengono conto dei vincoli nelle risorse disponibili. Abbiamo affrontato questo problema inquadrando la scoperta dei materiali come un progetto di esperimento ottimale".

I metodi presentati in questa ricerca sono flessibili e adattabili a diverse situazioni di ricerca. In modo significativo, L'algoritmo di Talapatra e Boluki può funzionare con pochissimi dati iniziali, rendendolo ideale per la ricerca di nuovi materiali.

L'algoritmo rappresenta un passo avanti più intelligente rispetto al precedente lavoro sul campo. Altri algoritmi obbligano a iniziare con un modello predefinito, che introduce un vincolo nell'esperimento e può distorcere i risultati. "Il nostro algoritmo può decidere automaticamente e autonomamente quale modello è il miglior modello tra n modelli, in qualunque momento, a seconda dei dati acquisiti, " ha detto Talapatra. Il programma per computer autonomo riduce il numero di passaggi e limita l'uso di risorse limitate. Poiché può iniziare con un minimo di due esperimenti come punti dati iniziali, l'algoritmo è ideale per ottimizzare gli esperimenti iniziali e discernere il miglior percorso da seguire.

Può essere utilizzato dagli sperimentatori come strumento in un'unica fase per decidere semplicemente il prossimo materiale da esplorare, o come strumento puramente computazionale per sostituire costosi modelli computazionali e ridurre i costi computazionali. Può anche essere utilizzato in una configurazione combinata sperimentale e computazionale. Proprio alla fine, questo quadro fornisce un mezzo molto efficiente per costruire il set di dati iniziale poiché può essere utilizzato per guidare esperimenti o calcoli concentrandosi sulla raccolta di dati in quelle sezioni dello spazio di progettazione dei materiali che si tradurranno nel percorso più efficiente per ottenere il materiale ottimale.

"Tipicamente, la ricerca sui materiali avviene in modo molto ad hoc e la serendipità tende ad essere la regola, piuttosto che l'eccezione, " ha detto Talapatra. "Il problema è che spesso non si conosce la fisica fondamentale dietro il motivo per cui un materiale funziona o non funziona. I nostri modelli non sono abbastanza precisi. Quando inizi un viaggio alla scoperta dei materiali, inizi con le conoscenze fisiche di base, come il numero di elettroni e cosa succede quando gli elementi si uniscono. Devi trovare le somiglianze tra le caratteristiche e le proprietà."

"Abbiamo incluso quanta più scienza possibile nei modelli (di intelligenza artificiale), " disse Boluki, un dottorando che difenderà la sua tesi il prossimo autunno. Boluki e Talapatra hanno lavorato come implementatori nel progetto e lo hanno codificato insieme in Python.

Il documento sull'algoritmo è stato sottoposto a revisione paritaria, presentato a diverse conferenze e ricevuto un buon feedback dalla comunità scientifica e ingegneristica dei materiali. Ingegneri e scienziati della Texas A&M stanno già utilizzando il programma.

Dalla patologia cellulare alla scienza dei materiali:le basi matematiche

Nel 2011, Qian e Dougherty hanno iniziato a collaborare per migliorare la progettazione degli esperimenti nella ricerca biomedica. Hanno utilizzato modelli matematici per vedere quando le cellule stanno andando allo stadio del tumore.

Quello stesso anno, i politici federali hanno annunciato la Materials Genome Initiative, che mira ad accelerare la scoperta di nuovi materiali avanzati combinando l'uso di strumenti computazionali e sperimentali insieme a dati digitali. Negli ultimi otto anni, a livello nazionale, molto tempo, denaro e risorse sono stati investiti in questo sforzo.

Qian e Dougherty si sono concentrati sui problemi di scienza dei materiali nel 2013. Il team ha iniziato a lavorare su problemi di progettazione ottimale due anni fa, inizialmente collaborando con i dott. Turab Lookman e Prasanna Balachandran del Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", in Physical Review Materials .