Predecir las propiedades del material utilizando datos limitados
El método de aprendizaje automático desarrollado por los investigadores de IISc y UCL utiliza el aprendizaje de transferencia para predecir las propiedades del material, allanando el camino para semiconductores avanzados y soluciones de almacenamiento de energía.
En un avance significativo para la ciencia de los materiales, los investigadores del Instituto Indio de Ciencias (IISC), en colaboración con University College London (UCL), tienen un aprendizaje automático aprovechado (ML) para predecir las propiedades del material con datos mínimos.Esta innovación promete acelerar el descubrimiento de materiales para aplicaciones como semiconductores y almacenamiento de energía.
Los ingenieros de materiales han recurrido cada vez más a ML para predecir propiedades como espacios de banda electrónicos, energías de formación y resistencias mecánicas, lo que permite el diseño de materiales novedosos.Sin embargo, los datos experimentales limitados, un resultado de altos costos de prueba y limitaciones de tiempo, han planteado un desafío.
El equipo abordó este obstáculo utilizando un método llamado aprendizaje de transferencia.Este enfoque pre-Entrena un modelo en un gran conjunto de datos y lo ajusta para un conjunto de datos específico más pequeño.Por ejemplo, un modelo entrenado para clasificar a los gatos y no CUR puede adaptarse para clasificar el tumor versus el tejido no tumoral.
Su estudio emplea redes neuronales Graph (GNN), una arquitectura sofisticada adecuada para datos estructurados gráficos como estructuras de cristal 3D.Aquí, los átomos representan nodos, y los enlaces representan bordes.Al optimizar la arquitectura de GNN y pretrabarse algunas capas mientras congelan otras, los investigadores construyeron un modelo capaz de predecir las propiedades del material como las constantes dieléctricas y los coeficientes piezoeléctricos.
Su marco de pre-entrenamiento de propiedad múltiple (MPT) permitió al modelo aprender de siete propiedades de materiales a granel y predecir con éxito la brecha de banda para materiales 2D, una capacidad no capacitada explícitamente.
Esto es prometedor para aplicaciones prácticas.El equipo está explorando el uso del modelo para predecir la movilidad iónica en los electrodos de la batería, crucial para avanzar en el almacenamiento de energía.Además, puede ayudar a la fabricación de semiconductores resistentes a los defectos, alineándose con los objetivos de producción de semiconductores de la India.