I nanoingegneri dell'Università della California a San Diego hanno sviluppato nuovi modelli di deep learning in grado di prevedere con precisione le proprietà di molecole e cristalli. Consentendo previsioni di proprietà quasi istantanee, questi modelli di deep learning forniscono ai ricercatori i mezzi per scansionare rapidamente l'universo quasi infinito di composti per scoprire materiali potenzialmente trasformativi per varie applicazioni tecnologiche, come batterie agli ioni di litio ad alta densità di energia, LED bianco caldo, e un fotovoltaico migliore.

Per costruire i loro modelli, un team guidato dal professore di nanoingegneria Shyue Ping Ong presso la Jacobs School of Engineering della UC San Diego ha utilizzato un nuovo framework di deep learning chiamato reti di grafi, sviluppato da Google DeepMind, il cervello dietro AlphaGo e AlphaZero. Le reti di grafici hanno il potenziale per espandere le capacità della tecnologia AI esistente per eseguire compiti di apprendimento e ragionamento complicati con esperienza e conoscenza limitate, qualcosa in cui gli esseri umani sono bravi.

Per gli scienziati dei materiali come Ong, le reti di grafi offrono un modo naturale per rappresentare le relazioni di legame tra gli atomi in una molecola o in un cristallo e consentono ai computer di apprendere come queste relazioni si riferiscono alle loro proprietà chimiche e fisiche.

I nuovi modelli basati su reti di grafi, che il team di Ong ha soprannominato modelli MatErials Graph Network (MEGNet), ha superato lo stato dell'arte nel prevedere 11 su 13 proprietà per il 133, 000 molecole nel set di dati QM9. Il team ha anche addestrato i modelli MEGNet su circa 60, 000 cristalli nel Progetto Materiali. I modelli hanno superato i precedenti modelli di apprendimento automatico nel prevedere le energie di formazione, band gap e moduli elastici dei cristalli.

Il team ha anche dimostrato due approcci per superare i limiti dei dati nella scienza dei materiali e nella chimica. Primo, il team ha mostrato che le reti di grafi possono essere utilizzate per unificare più modelli di energia libera, con conseguente aumento multiplo dei dati di allenamento. Secondo, hanno dimostrato che i loro modelli MEGNet possono apprendere efficacemente le relazioni tra gli elementi nella tavola periodica. Queste informazioni apprese dalla macchina da un modello di proprietà addestrato su un set di dati di grandi dimensioni possono quindi essere trasferite per migliorare l'addestramento e l'accuratezza dei modelli di proprietà con piccole quantità di dati:questo concetto è noto nell'apprendimento automatico come apprendimento di trasferimento.