La IA predice las propiedades extendidas del material para derribar un muro que antes era insuperable
Tokio: si las propiedades de los materiales se pueden predecir de manera confiable, el proceso de desarrollo de nuevos productos para una amplia gama de industrias puede simplificarse y acelerarse. En un estudio publicado XXX en Advanced Intelligent Systems, investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio utilizaron espectroscopia de pérdida de núcleo para determinar las propiedades de moléculas orgánicas mediante el aprendizaje automático.
Las técnicas de espectroscopía de pérdida de energía de estructura de borde cercano (ELNES) y estructura de borde cercano de rayos X (XANES) se utilizan para determinar información sobre los electrones y, por lo tanto, los átomos en los materiales. Tienen alta sensibilidad y resolución y se han utilizado para estudiar una variedad de materiales, desde dispositivos electrónicos hasta sistemas de administración de fármacos.
Sin embargo, relacionar los datos espectrales con las propiedades de un material, como las propiedades ópticas, la conductividad electrónica, la densidad y la estabilidad, sigue siendo ambiguo. Se han utilizado enfoques de aprendizaje automático (ML) para extraer información de conjuntos de datos grandes y complejos. Estos enfoques utilizan redes neuronales artificiales, basadas en cómo funciona nuestro cerebro, para aprender constantemente cómo resolver problemas. Aunque el grupo había utilizado previamente los espectros ELNES / XANES y ML para encontrar información sobre los materiales, lo que encontraron no fue sobre las propiedades del material en sí. Por lo tanto, la información no se pudo traducir fácilmente en desarrollos.
El equipo ahora ha utilizado ML para revelar información oculta en espectros ELNES / XANES simulados de 22.155 moléculas orgánicas. “Los espectros ELNES / XANES de las moléculas, o sus ‘descriptores’ en este escenario, se ingresaron luego en el sistema”, dice el autor principal Kakeru Kikumasa. “Este descriptor es algo que se puede medir directamente en experimentos y, por lo tanto, se puede determinar con alta sensibilidad y resolución. Este método es muy beneficioso para el desarrollo de materiales porque tiene el potencial de revelar dónde, cuándo y cómo aparecen ciertas propiedades de los materiales.
Un modelo creado solo a partir de espectros pudo predecir con éxito las llamadas propiedades intensivas. Sin embargo, no pudo predecir propiedades extensas, que dependen del tamaño molecular. Por lo tanto, para mejorar la predicción, el nuevo modelo se construyó incluyendo las proporciones de tres elementos al carbono (que está presente en todas las moléculas orgánicas) como parámetros adicionales para permitir la predicción correcta de propiedades extendidas como el peso molecular.
“Nuestro procesamiento de aprendizaje ML de los espectros de pérdida cardíaca proporciona una predicción precisa de las propiedades extendidas del material, como la energía interna y el peso molecular. El vínculo entre los espectros de pérdida de núcleo y las propiedades extendidas nunca se había establecido antes; sin embargo, la inteligencia artificial pudo descubrir las conexiones ocultas. Nuestro enfoque también podría aplicarse para predecir las propiedades de nuevos materiales y funciones ”, explica el autor principal, Teruyasu Mizoguchi. «Creemos que nuestro modelo será una herramienta muy útil para el desarrollo de materiales de alto rendimiento en una amplia variedad de industrias».
El estudio, «Cuantificación de las propiedades de moléculas orgánicas utilizando espectros de pérdida de núcleo como descriptores de redes neuronales», se publicó en Advanced Intelligent Systems en DOI: 10.1002 / aisy.202100103.
Acerca del Instituto de Ciencias Industriales (IIS), Universidad de Tokio
Instituto de Ciencias Industriales (IIS), la Universidad de Tokio es uno de los institutos de investigación afiliados a universidades más grandes de Japón.
Más de 120 laboratorios de investigación, cada uno dirigido por un miembro de la facultad, conforman IIS, con más de 1200 miembros, incluidos aproximadamente 400 miembros del personal y 800 estudiantes que participan activamente en la enseñanza y la investigación. Nuestras actividades cubren casi todas las áreas de las disciplinas de la ingeniería. Desde su fundación en 1949, IIS se ha esforzado por cerrar las enormes brechas que existen entre las disciplinas académicas y las aplicaciones del mundo real.
