Un gruppo di ricerca congiunto comprendente Ryo Yoshida (professore e direttore del Data Science Center for Creative Design and Manufacturing presso l'Institute of Statistical Mathematics [ISM], Organizzazione della ricerca di informazioni e sistemi), Junko Morikawa (Docente alla Scuola di Materiali e Tecnologia Chimica, Istituto di tecnologia di Tokyo [Tokyo Tech]), e Yibin Xu (Group Leader of Thermal Management e Thermoelectric Materials Group, Centro per la ricerca sui materiali per l'integrazione delle informazioni, Divisione Ricerca e Servizi di Dati sui Materiali e Sistema Integrato [MaDIS], NIMS) ha dimostrato la promettente applicazione del machine learning (ML), una forma di intelligenza artificiale che consente ai computer di "imparare" da dati dati, per scoprire materiali innovativi.

Riportare i loro risultati nella rivista ad accesso aperto npj Materiali di calcolo , i ricercatori mostrano che il loro metodo ML, coinvolgendo il "trasferimento dell'apprendimento, " consente la scoperta di materiali con le proprietà desiderate anche da un set di dati estremamente piccolo.

Lo studio ha attinto a un set di dati sulle proprietà polimeriche di PoLyInfo, il più grande database di polimeri al mondo ospitato al NIMS. Nonostante le sue dimensioni, PoLyInfo dispone di una quantità limitata di dati sulle proprietà di trasferimento del calore dei polimeri. Per prevedere le proprietà di trasferimento del calore dai dati limitati forniti, I modelli ML sulle proprietà proxy sono stati pre-addestrati laddove erano disponibili dati sufficienti sulle attività correlate; questi modelli pre-addestrati hanno catturato caratteristiche comuni rilevanti per l'attività di destinazione. Il riutilizzo di questi tipi di funzionalità acquisite dalla macchina sull'attività di destinazione ha prodotto prestazioni di previsione eccezionali anche con set di dati estremamente piccoli, non diversamente dal lavoro di esperti umani di grande esperienza rispetto alle inferenze razionali anche per compiti notevolmente meno esperti. Il team ha combinato questo modello con un algoritmo ML appositamente progettato per la progettazione molecolare computazionale, che è chiamato algoritmo iQSPR precedentemente sviluppato da Yoshida e dai suoi colleghi. L'applicazione di questa tecnica ha consentito l'identificazione di migliaia di promettenti polimeri "virtuali".

Da questo grande bacino di candidati, tre polimeri sono stati selezionati in base alla loro facilità di sintesi e lavorazione. I test hanno confermato che i nuovi polimeri hanno un'elevata conduttività termica fino a 0,41 Watt per metro-Kelvin (W/mK). Questa cifra è dell'80% superiore a quella delle tipiche poliimmidi, un gruppo di polimeri comunemente usati che sono stati prodotti in serie dagli anni '50 per applicazioni che vanno dalle celle a combustibile alle pentole.

Verificando le proprietà di trasferimento del calore dei polimeri progettati computazionalmente, lo studio rappresenta una svolta fondamentale per una rapida, conveniente, Metodi supportati dal machine learning per la progettazione dei materiali. Dimostra anche l'esperienza combinata del team nella scienza dei dati, sintesi organica e tecnologie di misura avanzate.

Yoshida commenta che molti aspetti restano da esplorare, come "addestrare" i sistemi computazionali a lavorare con dati limitati aggiungendo descrittori più adatti. "L'apprendimento automatico per la progettazione di polimeri o materiali morbidi è un campo impegnativo ma promettente in quanto questi materiali hanno proprietà che differiscono dai metalli e dalla ceramica, e non sono ancora del tutto previsti dalle teorie esistenti, " lui dice.

Lo studio è un punto di partenza per la scoperta di altri materiali innovativi, come aggiunge Morikawa:"Vorremmo provare a creare un sistema computazionale ad alto rendimento basato su ML per progettare materiali morbidi di prossima generazione per applicazioni che vanno oltre l'era del 5G. Attraverso il nostro progetto, miriamo a perseguire non solo lo sviluppo dell'informatica dei materiali, ma anche a contribuire al progresso fondamentale della scienza dei materiali, soprattutto nel campo dell'ingegneria fononica."