Un equipo multidisciplinario del Laboratorio de Física Aplicada (APL) de Johns Hopkins en Laurel, Maryland, ha descubierto un nuevo superconductor utilizando inteligencia artificial (IA). La clave de este avance provino de la combinación de experiencia en ciencia de materiales y datos reales en un modelo predictivo de IA, que acelera enormemente la línea de tiempo del descubrimiento de materiales específicos.
"Tenemos esta noción romántica de que los materiales con las propiedades deseadas se descubren intencionalmente a través de esfuerzos diligentes de investigación fundamental, pero la realidad es que sucede con mucha más frecuencia por medio de accidentes fortuitos", dijo Christopher Stiles, investigador principal de materiales computacionales en el laboratorio.
“Ese es un problema real para los materiales que se necesitan críticamente, por ejemplo, material de vanguardia para hipersónicos, que se identificó como una necesidad crítica a fines de la década de 1980, y todavía es algo en lo que estamos trabajando hoy ”.
Los superconductores, materiales que, cuando se enfrían por debajo de una temperatura crítica, pueden conducir electricidad sin perder energía, se utilizan en varias tecnologías de vanguardia. “Una de las razones por las que elegimos los superconductores es que uno nuevo podría cambiar el mundo”, explicó Stiles.
El nuevo superconductor es una aleación de circonio, indio y níquel con una temperatura de transición superconductora de alrededor de 9 K. Su descubrimiento, incluida la fabricación de múltiples materiales candidatos, tomó solo tres meses, lo que demuestra claramente el potencial revolucionario del descubrimiento dirigido habilitado por IA en la ciencia de los materiales. .
Descubrimiento dirigido de IA
Stiles y el equipo de APL están trabajando en un proyecto conocido como MITHRIL, abreviatura de Material Invention Through Hypothesis (aprendizaje interdisciplinario, en tiempo real e imparcial), que se basa en la experiencia y creatividad combinadas de investigadores e informáticos para descubrir materiales de una manera específica.
“El concepto básico es simple: si estamos tratando de resolver algún problema que puede resolverse con una solución de materiales, primero debemos describirlo en términos de los parámetros deseados”, explicó. "Y luego podemos usar la IA para atravesar el espacio de posibilidades para trabajar hacia atrás desde las propiedades deseadas del material hasta el material real".
La razón por la que la IA se adapta especialmente bien a este desafío es doble. En primer lugar, la gran cantidad de materiales posibles hace que la tarea requiera un tiempo casi inconcebible para los humanos. En segundo lugar, mientras que tanto los humanos como las computadoras razonan a partir de lo que se conoce, las computadoras pueden ser entrenadas para muestrear sistemáticamente lo desconocido. Esta segunda razón es una gran parte de por qué Stiles y su equipo, que incluye a Nam Q. Le y Lisa Pogue, eligieron los superconductores como caso de prueba: hay suficientes superconductores conocidos, y se sabe lo suficiente sobre su composición material, que las composiciones no probadas con alto potencial para ser nuevos superconductores pueden ser identificados y dirigidos con IA.
Datos
El equipo aprovechó grandes conjuntos de datos disponibles públicamente de superconductores y otros materiales conocidos para entrenar sus modelos. Si bien son útiles, estos conjuntos de datos inevitablemente contienen sesgos humanos, porque los científicos tienden a buscar nuevos superconductores haciendo pequeños ajustes a los existentes, en lugar de dar grandes saltos que podrían conducir a fallas costosas.
“Al usar IA, podemos comprender los efectos de los sesgos humanos, ajustarnos sistemáticamente para compensarlos y usarlos en nuestro beneficio para impulsar la ciencia”, explicó Pogue. "Estamos comenzando a identificar regiones prometedoras en el espacio de posibilidades donde los humanos aún no han pensado en mirar".
Le agregó: “Aquí es donde realmente se puede ver el poder combinado de la experiencia humana y los algoritmos de aprendizaje automático basados en datos. Mucho de lo que estamos haciendo se basa en los esfuerzos de la comunidad de IA para desarrollar herramientas para cosas como la visión por computadora y el lenguaje natural, etc., pero hay mucho conocimiento específico del dominio sobre los materiales que tenemos que proporcionar para estos modelos. trabajar eficazmente para nuestros propósitos”.
“Este enfoque se mejora continuamente y nos permitirá desarrollar los materiales que necesitamos, a un ritmo drásticamente más rápido de lo que era posible anteriormente”, dijo Leslie Hamilton , científica sénior de APL que ayuda a administrar la cartera de Ciencia de materiales extremos y multifuncionales . “Y esta combinación de inteligencia artificial y experiencia en el dominio debería, en principio, ser generalizable a otras áreas de descubrimiento de materiales y químicos, lo cual es una posibilidad muy emocionante”.
galan
07/05/2023