Il team, guidato da scienziati dell'Università di Cambridge, ha sviluppato un approccio di apprendimento automatico "multi-fedeltà" per prevedere le proprietà dei materiali. Questo metodo ha combinato le informazioni sulla struttura del materiale ottenute utilizzando tecniche computazionali con misurazioni sperimentali per costruire modelli predittivi accurati utilizzando algoritmi di deep learning.
Gli scienziati hanno testato l'approccio multi-fedeltà su quattro materiali:leghe di acciaio, leghe ad alta entropia, materiali termoelettrici e strutture metallo-organiche. Hanno dimostrato che il loro metodo raggiungeva prestazioni all'avanguardia nel prevedere le proprietà di questi materiali.
Ad esempio, per le leghe di acciaio, il modello multi-fedeltà prevedeva la resistenza allo snervamento del materiale con un errore medio assoluto (MAE) di solo 1,8%, rispetto al 4,5% del miglior metodo precedente. Per le leghe ad alta entropia, il modello multi-fedeltà prevedeva la durezza Vickers del materiale con un MAE del 2,3%, rispetto al 5,8% del miglior metodo precedente.
"Le tecniche di apprendimento automatico possono prevedere le proprietà dei materiali e ridurre significativamente i tempi e i costi di scoperta dei materiali", ha affermato il co-primo autore Dr. Hao Wu del Dipartimento di Scienza dei Materiali e Metallurgia di Cambridge. "Ma l'apprendimento automatico può fornire previsioni ad alta fedeltà ed efficienti dal punto di vista computazionale, dobbiamo combinare più fonti di informazione complementari, come modelli basati sulla fisica e misurazioni sperimentali”.
La scoperta e lo sviluppo dei materiali attualmente comportano un ciclo iterativo di sintesi dei materiali, esperimenti per misurare le proprietà dei materiali e costose simulazioni computazionali per comprendere i meccanismi sottostanti. Questo approccio richiede tempo, è costoso e inefficiente e in genere richiede esperti umani con una profonda conoscenza della fisica o della chimica.
Il nuovo approccio di apprendimento automatico multi-fedeltà semplifica il processo di progettazione identificando in modo efficiente i materiali candidati più promettenti senza dover eseguire molti esperimenti dispendiosi in termini di tempo o calcoli ad alta fedeltà.
"Una tipica simulazione computazionale ad alta fedeltà può richiedere una settimana o addirittura mesi per essere completata", ha affermato il co-primo autore Dr. Xiaoqing Huang del Dipartimento di Scienza dei Materiali e Metallurgia. “Se vogliamo esplorare centinaia di materiali, è praticamente impossibile per ottenere risultati computazionali ad alta fedeltà per tutti loro. Il nostro quadro di deep learning multi-fedeltà supera questo problema utilizzando simulazioni basate sulla fisica a basso costo e misurazioni sperimentali per guidare l’apprendimento di modelli ad alta fedeltà”.
Riducendo significativamente i tempi e i costi associati alla scoperta dei materiali, la nuova tecnica di apprendimento automatico multi-fedeltà può accelerare lo sviluppo di materiali nuovi e migliorati per un’ampia gamma di applicazioni, tra cui lo stoccaggio di energia, la catalisi e il settore aerospaziale.
"Crediamo che il nostro approccio non solo possa consentire progressi nella scoperta e nello sviluppo dei materiali, ma anche apportare benefici alla scienza computazionale e alla progettazione in altre discipline, come la chimica, la biologia e la ricerca farmaceutica", ha affermato l'autore senior, il professor Li Yang del Dipartimento di Scienza dei Materiali e Metallurgia:“Ci auguriamo che questo lavoro apra la strada all’integrazione di simulazioni ed esperimenti multiscala in un quadro basato sui dati per la ricerca scientifica e la progettazione ingegneristica”.
