Un iterativo, processo in più fasi per l'addestramento di una rete neurale, come illustrato in alto a sinistra, porta a una valutazione dei compromessi tra due qualità concorrenti, come illustrato nel grafico al centro. La linea blu rappresenta un cosiddetto fronte di Pareto, definire i casi oltre i quali la selezione dei materiali non può essere ulteriormente migliorata. Ciò consente di identificare categorie specifiche di nuovi materiali promettenti, come quello rappresentato dal diagramma molecolare a destra. Credito:Massachusetts Institute of Technology
Durante la ricerca attraverso elenchi teorici di possibili nuovi materiali per applicazioni particolari, come batterie o altri dispositivi legati all'energia, ci sono spesso milioni di potenziali materiali che potrebbero essere considerati, e più criteri che devono essere soddisfatti e ottimizzati contemporaneamente. Ora, i ricercatori del MIT hanno trovato un modo per semplificare drasticamente il processo di scoperta, utilizzando un sistema di apprendimento automatico.
A dimostrazione, il team è arrivato a una serie degli otto materiali più promettenti, su quasi 3 milioni di candidati, per un sistema di accumulo di energia chiamato batteria di flusso. Questo processo di abbattimento avrebbe richiesto 50 anni con i metodi analitici convenzionali, dicono, ma l'hanno realizzato in cinque settimane.
I risultati sono riportati sulla rivista Scienze Centrali ACS , in un articolo del professore di ingegneria chimica del MIT Heather Kulik, Jon Paul Janet Ph.D. '19, Sahasrajit Ramesh, e lo studente laureato Chenru Duan.
Lo studio ha esaminato una serie di materiali chiamati complessi di metalli di transizione. Questi possono esistere in un vasto numero di forme diverse, e Kulik dice che "sono davvero affascinanti, materiali funzionali che sono diversi da molte altre fasi materiali. L'unico modo per capire perché funzionano in quel modo è studiarli usando la meccanica quantistica".
Predire le proprietà di uno qualsiasi dei milioni di questi materiali richiederebbe una spettroscopia dispendiosa in termini di tempo e risorse e altro lavoro di laboratorio, o richiede tempo, modellazione computerizzata basata sulla fisica altamente complessa per ogni possibile materiale candidato o combinazione di materiali. Ciascuno di questi studi potrebbe consumare da ore a giorni di lavoro.
Anziché, Kulik e il suo team hanno preso un piccolo numero di diversi materiali possibili e li hanno usati per insegnare a una rete neurale di apprendimento automatico avanzata la relazione tra le composizioni chimiche dei materiali e le loro proprietà fisiche. Tale conoscenza è stata quindi applicata per generare suggerimenti per la prossima generazione di possibili materiali da utilizzare per il prossimo ciclo di addestramento della rete neurale. Attraverso quattro successive iterazioni di questo processo, la rete neurale è migliorata ogni volta in modo significativo, fino a raggiungere un punto in cui era chiaro che ulteriori iterazioni non avrebbero prodotto ulteriori miglioramenti.
Questo sistema di ottimizzazione iterativo ha notevolmente semplificato il processo per arrivare a potenziali soluzioni che soddisfacessero i due criteri in conflitto ricercati. Questo tipo di processo per trovare le migliori soluzioni in situazioni, dove il miglioramento di un fattore tende a peggiorare l'altro, è noto come fronte di Pareto, rappresentando un grafico dei punti tale che qualsiasi ulteriore miglioramento di un fattore peggiorerebbe l'altro. In altre parole, il grafico rappresenta i migliori punti di compromesso possibili, a seconda dell'importanza relativa assegnata a ciascun fattore.
L'addestramento di reti neurali tipiche richiede set di dati molto grandi, che vanno da migliaia a milioni di esempi, ma Kulik e il suo team sono stati in grado di utilizzare questo processo iterativo, basato sul modello del fronte di Pareto, per semplificare il processo e fornire risultati affidabili utilizzando solo poche centinaia di campioni.
Nel caso di screening per i materiali della batteria di flusso, le caratteristiche desiderate erano in conflitto, come spesso accade:il materiale ottimale avrebbe un'elevata solubilità e un'elevata densità di energia (la capacità di immagazzinare energia per un dato peso). Ma l'aumento della solubilità tende a diminuire la densità di energia, e viceversa.
Non solo la rete neurale è stata in grado di trovare rapidamente candidati promettenti, è stato anche in grado di assegnare livelli di confidenza alle sue diverse previsioni attraverso ogni iterazione, che ha contribuito a consentire l'affinamento della selezione del campione in ogni fase. "Abbiamo sviluppato una tecnica di quantificazione dell'incertezza migliore della migliore della categoria per sapere davvero quando questi modelli avrebbero fallito, " dice Kulik.
La sfida che hanno scelto per la prova di prova riguardava i materiali da utilizzare nelle batterie a flusso redox, un tipo di batteria che promette grandi, batterie su scala di rete che potrebbero svolgere un ruolo significativo nel consentire un ambiente pulito, energia rinnovabile. I complessi di metalli di transizione sono la categoria preferita di materiali per tali batterie, Kulik dice, ma ci sono troppe possibilità di valutare con mezzi convenzionali. Hanno iniziato con un elenco di 3 milioni di tali complessi prima di ridurlo agli otto buoni candidati, insieme a una serie di regole di progettazione che dovrebbero consentire agli sperimentali di esplorare il potenziale di questi candidati e le loro variazioni.
"Attraverso questo processo, la rete neurale diventa sempre più intelligente riguardo allo spazio [di design], ma anche sempre più pessimista sul fatto che qualsiasi cosa al di là di ciò che abbiamo già caratterizzato possa migliorare ulteriormente ciò che già sappiamo, " lei dice.
A parte gli specifici complessi di metalli di transizione suggeriti per ulteriori indagini utilizzando questo sistema, lei dice, il metodo stesso potrebbe avere applicazioni molto più ampie. "Lo consideriamo la struttura che può essere applicata a qualsiasi sfida di progettazione dei materiali in cui stai davvero cercando di affrontare più obiettivi contemporaneamente. Sai, tutte le sfide di progettazione dei materiali più interessanti sono quelle in cui hai una cosa che stai cercando di migliorare, ma migliorando questo ne peggiora un altro. E per noi, la coppia redox della batteria a flusso redox è stata solo una buona dimostrazione di dove pensiamo di poter andare con questo apprendimento automatico e la scoperta accelerata dei materiali."
Per esempio, l'ottimizzazione dei catalizzatori per vari processi chimici e industriali è un altro tipo di ricerca di materiali così complessa, dice Kulik. I catalizzatori attualmente utilizzati spesso coinvolgono elementi rari e costosi, quindi trovare composti altrettanto efficaci basati su materiali abbondanti e poco costosi potrebbe essere un vantaggio significativo.
"Questo documento rappresenta, Credo, la prima applicazione del miglioramento diretto multidimensionale nelle scienze chimiche, " dice. Ma il significato a lungo termine del lavoro è nella metodologia stessa, a causa di cose che altrimenti non sarebbero affatto possibili. "Cominci a capire che anche con i calcoli paralleli, questi sono casi in cui non avremmo escogitato un principio di progettazione in nessun altro modo. E questi indizi che escono dal nostro lavoro, queste non sono necessariamente affatto idee che erano già note dalla letteratura o che un esperto avrebbe potuto indicarti."
"Questa è una bella combinazione di concetti in statistica, matematica applicata, e la scienza fisica che sarà estremamente utile nelle applicazioni ingegneristiche, "dice George Schatz, professore di chimica e di ingegneria chimica e biologica alla Northwestern University, che non era associato a questo lavoro. Dice che questa ricerca affronta "come fare l'apprendimento automatico quando ci sono più obiettivi. L'approccio di Kulik utilizza metodi all'avanguardia per addestrare una rete neurale artificiale che viene utilizzata per prevedere quale combinazione di ioni di metalli di transizione e ligandi organici sarà la migliore per la batteria a flusso redox elettroliti."
Schatz dice, "Questo metodo può essere utilizzato in molti contesti diversi, quindi ha il potenziale per trasformare l'apprendimento automatico, which is a major activity around the world."
Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.
