Gli ingegneri sono sempre alla ricerca di materiali con proprietà molto specifiche per i loro progetti. Sfortunatamente, ci sono troppe opzioni perché i ricercatori possano semplicemente indovinare e controllare finché non trovano quello che stanno cercando. Anche se dovessero simulare i materiali, invece di testarli in laboratorio, ci vorrebbe troppo tempo per trovare un materiale adatto.

Per fortuna, i ricercatori hanno creato algoritmi utilizzando l'intelligenza artificiale che troveranno il materiale giusto per qualsiasi progetto. In un articolo pubblicato di recente, un team di ricercatori della Carnegie Mellon University e dell'Università di Calgary ha migliorato uno di questi algoritmi, consentendo ai ricercatori di trovare materiali con le proprietà desiderate in modo rapido e preciso.

"Dato che lo spazio dei materiali è così grande, è molto difficile caratterizzare sperimentalmente e computazionalmente le proprietà del materiale, " disse Amir Barati Farimani, un assistente professore di ingegneria meccanica alla CMU. "Quindi stiamo creando algoritmi, o modelli, che può prevedere rapidamente le proprietà del materiale."

Per usare l'intelligenza artificiale, o AI, i ricercatori devono prima addestrare l'algoritmo utilizzando dati noti. Quindi, l'algoritmo impara ad estrapolare nuove idee da quelle informazioni. Barati Farimani e il suo team hanno addestrato l'algoritmo con dati sulla composizione chimica dei materiali. In particolare, includevano informazioni sul ruolo svolto dagli elettroni nel determinare le proprietà dei materiali. Questi dati chimici hanno creato un nuovo descrittore di materiale per l'algoritmo, secondo Barati Farimani.

Poiché questo algoritmo può prevedere le proprietà di un'ampia gamma di materiali, ha molte applicazioni. Per esempio, l'algoritmo potrebbe trovare un materiale con proprietà termiche adatto per i pannelli solari. Inoltre, potrebbe identificare materiali per fabbricare farmaci e batterie. Per utilizzare questo algoritmo, un ricercatore può semplicemente fare in modo che i modelli di deep learning pre-addestrati trovino la proprietà che stanno esaminando.

Il modo in cui questi algoritmi vengono migliorati è diventare più veloci e precisi. Se l'algoritmo non è abbastanza preciso, i risultati saranno inutilizzabili. Se l'algoritmo è troppo lento, i ricercatori non potranno mai accedere ai risultati. Attualmente, il team ha scoperto che il loro algoritmo è migliore di altri algoritmi leader.

"Puoi usare questo algoritmo e addestrare un modello di deep learning e prevederli in una frazione di secondo, "Ha detto Barati Farimani. "L'essenza è dimostrare che è in grado di prevedere diversi tipi di materiali con un'elevata precisione, quindi ogni industria può utilizzarlo".

Il loro articolo è stato pubblicato in Materiali per la revisione fisica . Lo studioso post-dottorato CMU Mohammadreza Karamad, dottorato di ricerca studente Rishikesh Magar, e anche il ricercatore Yuting Shi sono stati elencati come coautori. Altri autori includono Samira Siahrostami e Ian D. Gates dell'Università di Calgary.