Acelerar la búsqueda de materiales energéticamente eficientes a través del aprendizaje automático

La candidata a doctorado Nina Andrejevic combina técnicas de espectroscopia y aprendizaje automático para identificar propiedades nuevas y valiosas en la materia.

Nacida en una familia de arquitectos, Nina Andrejevic disfrutaba creando dibujos de su casa y otros edificios cuando era niña en Serbia. Ella y su hermana gemela compartían esta pasión, así como el apetito por las matemáticas y las ciencias. Con el tiempo, esos intereses han convergido en un camino científico que comparte algunos atributos con la profesión familiar, según Andrejevic, candidato a doctorado en ciencia e ingeniería de materiales en el MIT.

«L’architecture est à la fois un domaine créatif et technique, où vous essayez d’optimiser les caractéristiques souhaitées pour certains types de fonctionnalités, comme la taille d’un bâtiment ou la disposition des différentes pièces d’une maison», dit- ella. El trabajo de Andrejevic en el aprendizaje automático se parece al de los arquitectos, cree: «Comenzamos con un sitio vacío, un modelo matemático que tiene parámetros aleatorios, y nuestro objetivo es entrenar este modelo, llamado red neuronal, para que tenga la funcionalidad que queremos». deseo.»

Andrejevic es estudiante de doctorado con Mingda Li, profesor asistente en el Departamento de Ciencia e Ingeniería Nuclear. Como asistente de investigación en el grupo de medición cuántica de Li, entrena sus modelos de aprendizaje automático para buscar nuevos rasgos útiles en los materiales. Su trabajo con el laboratorio ha aterrizado en importantes revistas como Naturaleza Comunicación, Ciencias avanzadas, cartas de examen fisico, y Nano-letras.

La candidata a doctorado del MIT Nina Andrejević (derecha) desarrolló con su hermana gemela Jovana (izquierda), estudiante de doctorado en la Universidad de Harvard, un método para probar muestras de materiales para predecir la presencia de características topológicas que es más rápido y más versátil que otros métodos. Créditos: Gretchen Ertl

Un área particular de interés para su grupo es la de los materiales topológicos. «Estos materiales son una fase exótica de la materia que puede transportar electrones a la superficie sin pérdida de energía», dice ella. «Eso los hace muy interesantes para crear tecnologías más eficientes energéticamente».

Junto con su hermana Jovana, estudiante de doctorado en física aplicada en la Universidad de Harvard, Andrejevic desarrolló un método de prueba de muestras de materiales para predecir la presencia de características topológicas que es más rápido y más versátil que otros métodos.

Si el objetivo final es «producir tecnologías más eficientes y energéticamente eficientes», dice, «primero debemos saber qué materiales son buenos candidatos para estas aplicaciones, y eso es algo que nuestra investigación puede ayudar a confirmar».

Formando equipos

Las semillas de esta investigación se sembraron hace más de un año. “Mi hermana y yo siempre decíamos que sería genial hacer un proyecto juntos, y cuando Mingda sugirió este estudio de materiales topológicos, se me ocurrió que podíamos convertirlo en una colaboración formal”, dice Andrejevic. Las hermanas son más parecidas que la mayoría de las gemelas, señala, y comparten muchos intereses académicos. «Ser un gemelo es una gran parte de mi vida y trabajamos bien juntos, ayudándonos mutuamente en áreas que no entendemos».

El trabajo de tesis de Andrejevic, que abarca varios proyectos, utiliza técnicas espectroscópicas especializadas y análisis de datos, mejorado por el aprendizaje automático, que puede encontrar patrones en grandes cantidades de datos de manera más eficiente que incluso las computadoras.

Cuando se gradúe este invierno, Nina Andrejević viajará al Laboratorio Nacional de Argonne, donde planea enfocarse en el diseño de redes neuronales basadas en la física. Créditos: Gretchen Ertl

“El hilo conductor de todos mis proyectos es esta idea de tratar de acelerar o mejorar nuestra comprensión al aplicar estas herramientas de caracterización, y así obtener información más útil que la que podemos obtener con modelos más tradicionales o aproximados”, dice. Un ejemplo de esto es la investigación de los gemelos sobre materiales topológicos.

Para descubrir propiedades nuevas y potencialmente útiles de los materiales, los investigadores deben interrogarlas a escala atómica y cuántica. Las técnicas de espectroscopia de neutrones y fotones pueden ayudar a capturar estructuras y dinámicas previamente no identificadas y determinar cómo el calor, los campos eléctricos o magnéticos y el estrés mecánico afectan los materiales en el nivel liliputiense. Las leyes que rigen este dominio, donde los materiales no se comportan como podrían hacerlo a escala macro, son las de la mecánica cuántica.

Los enfoques experimentales actuales para identificar materiales topológicos son técnicamente difíciles e inexactos, lo que podría excluir candidatos viables. Las hermanas creían que podían evitar estas trampas mediante el uso de una técnica de imagen ampliamente aplicada llamada espectroscopia de absorción de rayos X (XAS) combinada con una red neuronal entrenada. XAS envía haces de rayos X enfocados a la materia para ayudar a mapear su geometría y estructura electrónica. Los datos de radiación que proporciona proporcionan una firma única para el material muestreado.

“Queríamos desarrollar una red neuronal que pudiera identificar la topología a partir de la firma XAS de un material, una métrica mucho más accesible que otros enfoques”, dice Andrejevic. «Con suerte, esto nos permitiría filtrar una categoría mucho más amplia de posibles materiales topológicos».

A lo largo de los meses, los investigadores alimentaron la información de su red neuronal de dos bases de datos: una contenía materiales teóricamente predichos como topológicos y la otra contenía datos de absorción de rayos X para una amplia gama de materiales. «Cuando se entrena adecuadamente, el modelo debería servir como una herramienta para leer nuevas firmas XAS que nunca antes había visto e indicar si sabe si el material que produjo el espectro es topológico», dice Andrejevic.

La técnica del dúo de investigadores ha demostrado resultados prometedores, que ya han publicado en una preimpresión, «Indicadores espectrales de aprendizaje automático de topología.” «Para mí, lo divertido de estos proyectos de aprendizaje automático es ver patrones subyacentes y poder entenderlos en términos de cantidades físicas», dice Andrejevic.

Hacia los estudios de materiales

Fue durante su primer año en la Universidad de Cornell que Andrejevic experimentó por primera vez el placer de escudriñar la materia en un nivel íntimo. Después de un curso en nanociencias y nanoingeniería, se unió a un grupo de investigación en imágenes de materiales a escala atómica. «Siento que soy una persona muy visual, y esta idea de poder ver cosas que hasta ese momento eran solo ecuaciones o conceptos, fue realmente emocionante», dice. «Esta experiencia me acercó al campo de la ciencia de los materiales».

El aprendizaje automático, central en el trabajo de doctorado de Andrejevic, será central en su vida después del MIT. Cuando se gradúe este invierno, se dirigirá directamente al Laboratorio Nacional de Argonne, donde ganó una prestigiosa beca Maria Goeppert Mayer, otorgada «a destacados estudiantes de doctorado e ingenieros que están al comienzo de carreras prometedoras». “Intentaremos diseñar redes neuronales basadas en la física, centrándonos en los materiales cuánticos”, dice.

Supondrá despedirse de su hermana, de la que no se ha separado desde hace mucho tiempo. «Será muy diferente», dice Andrejevic. Pero agrega: «Espero que Jovana y yo colaboremos más en el futuro, ¡no importa cuán lejos estén!».