Un algoritmo di apprendimento automatico in grado di prevedere le composizioni di nuovi materiali che sfidano le tendenze è stato sviluppato dai chimici RIKEN1. Sarà utile per trovare materiali per applicazioni in cui esiste un compromesso tra due o più proprietà desiderabili.

L'intelligenza artificiale ha un grande potenziale per aiutare gli scienziati a trovare nuovi materiali con proprietà desiderabili. Un algoritmo di apprendimento automatico che è stato addestrato con le composizioni e le proprietà di materiali noti può prevedere le proprietà di materiali sconosciuti, risparmiando molto tempo in laboratorio.

Ma scoprire nuovi materiali per le applicazioni può essere complicato perché spesso c'è un compromesso tra due o più proprietà del materiale. Un esempio sono i materiali organici per le celle solari organiche, dove si desidera massimizzare sia la tensione che la corrente, osserva Kei Terayama, che era al RIKEN Center for Advanced Intelligence Project e ora è alla Yokohama City University. "C'è un compromesso tra tensione e corrente:un materiale che mostra un'alta tensione avrà una bassa corrente, mentre uno con un'alta corrente avrà una bassa tensione."

Gli scienziati dei materiali quindi spesso vogliono trovare materiali "fuori tendenza" che contrastino con il solito compromesso. Ma sfortunatamente gli algoritmi di apprendimento automatico convenzionali riescono molto meglio a individuare le tendenze che a scoprire materiali che vanno contro di loro.

Ora, Terayama e i suoi collaboratori hanno sviluppato un algoritmo di apprendimento automatico, BLOX (esplorazione senza obiettivi senza limiti), in grado di individuare materiali fuori tendenza.

Il team ha dimostrato la potenza dell'algoritmo utilizzandolo per identificare otto molecole fuori tendenza con un alto grado di fotoattività da un database di scoperta di farmaci. Le proprietà di queste molecole hanno mostrato un buon accordo con quelle previste dall'algoritmo. "Eravamo preoccupati per l'accuratezza del calcolo, ma siamo stati lieti di vedere che il calcolo era corretto, " dice Terayama. "Questo mostra il potenziale dello sviluppo dei materiali basato sul calcolo".

BLOX utilizza l'apprendimento automatico per generare un modello di previsione per le proprietà chiave dei materiali. Lo fa combinando i dati per i materiali selezionati casualmente da un database di materiali con risultati sperimentali o di calcolo. BLOX utilizza quindi il modello per prevedere le proprietà di un nuovo insieme di materiali. Da questi nuovi materiali, BLOX individua quella che si discosta maggiormente dalla distribuzione complessiva. Le proprietà di quel materiale sono determinate da esperimenti o calcoli e quindi utilizzate per aggiornare il modello di apprendimento automatico, e il ciclo si ripete.

È importante sottolineare che a differenza di molti algoritmi precedenti, BLOX non impone restrizioni alla gamma di strutture e composizioni dei materiali che possono essere esplorate. Può quindi spaziare in lungo e in largo nella sua ricerca di materiali periferici.

Il team ha reso BLOX disponibile gratuitamente online.