Seleccionar el material correcto de una amplia gama de posibilidades es un desafío importante para descubrir materiales. Aunque las predicciones teóricas y las validaciones experimentales son históricamente avanzadas de forma independiente, los investigadores de la Universidad de Tohoku han creado una innovadora solución, un extenso mapa de material diseñado por IA que integra datos experimentales basados en literatura y datos de cálculo de los primeros principios.
Este progreso produce una «tarjeta de material», que sirve como una herramienta gráfica robusta para ayudar a los investigadores a seleccionar materiales adecuados para aplicaciones específicas. El mapa tiene Assen que representa el rendimiento termoeléctrico (conocido como ZT) y la similitud estructural. Cada punto en esta tarjeta corresponde a un material transparente, con materiales estructuralmente comparables que están juntas. Esta disposición espacial no solo hace la rápida identificación de análogos de materiales prometedores y potentes, sino que también facilita la reutilización de los métodos de sintetización existentes para acelerar el proceso de descarga del material, de modo que los experimentos innecesarios de prueba y honor se minimicen efectivamente.
Dirigido por el maestro universitario especialmente nombrado Yusuke Hashimoto y el profesor Takaaki Tomai, junto con los miembros cooperantes del equipo, profesor asistente Xue Jia y profesor Hao Li, el estudio se detalla en la revista APL Machine Learning. El estudio tiene como objetivo cerrar la brecha entre las predicciones computacionales y los datos experimentales, lo que brinda a los investigadores un enfoque más preciso e informado para la selección de materiales.
El enfoque fundamental se apoya en un conjunto de datos integrado que fusiona los datos de la literatura de StarryData2 con entradas calculadas del proyecto Material. Los investigadores han entrenado un modelo que se conoce como Matteeplearn (MDL) utilizando un mensaje de que una red neuronal (MPNN) estaba dirigida a predictores de propiedades termo -electricales.
El profesor Hashimoto enfatiza la utilidad del mapa y explica: «Al dar una vista intuitiva y ocular de los pájaros de muchos candidatos, el mapa ayuda a los investigadores a seleccionar objetivos prometedores de un vistazo, por lo que se espera acortar considerablemente las líneas de tiempo de desarrollo para nuevos materiales funcionales».
Los planes futuros para el equipo incluyen expandir este marco para incluir otras categorías de materiales, incluidos materiales magnéticos y topológicos. Existen integración para integrar descriptores adicionales, incluidas las características magnéticas, químicas y topológicas, lo que mejora aún más las posibilidades de la plataforma en el diseño de materiales asistidos por AI.
Las implicaciones de esta tarjeta material son considerables; No solo mejora la facilidad con la que los investigadores pueden identificar potencialmente materiales de buen rendimiento, sino que también tiene como objetivo promover ciclos de innovación más rápidos, costos de desarrollo más bajos y un despliegue más rápido de tecnologías energéticas. Esto incluye aplicaciones en la recuperación del calentamiento de residuos termoeléctricos, la conversión del exceso de calor en energía práctica.
En resumen, esta tarjeta material avanzada representa un paso transformador en la investigación material, que se reforma para reformar cómo los científicos abordan el descubrimiento y la aplicación de nuevos materiales.
