Los científicos de materiales intentan constantemente encontrar nuevos materiales con propiedades específicas, pero los datos experimentales que tienen que examinar son abrumadores. Científicos de la Universidad de Rochester utilizaron el aprendizaje automático para acelerar el descubrimiento de nuevos materiales.
Los materiales cristalinos tienen una estructura cristalina bien ordenada y repetitiva, una disposición regular y repetitiva de átomos, iones o moléculas. La disposición de estas redes cristalinas es lo que confiere a un material sus propiedades específicas.
¿Quiere un material duro, resistente a altas temperaturas y ligero? Tienes que conseguir la estructura reticular adecuada para lograrlo.
Cuando los científicos de materiales sintetizan una pequeña cantidad de un nuevo material, quieren saber qué tipo de propiedades tendrá para decidir si es viable o no para una aplicación concreta.
Para ello utilizan un proceso denominado difracción de rayos X (DRX). Normalmente, la muestra de material se muele hasta obtener un polvo fino y, a continuación, se expone a los rayos X. Cuando los rayos X inciden en los átomos del material, se difractan en varias direcciones, dependiendo de la disposición atómica.
Los rayos X difractados crean un patrón en un detector que los científicos necesitan analizar para deducir las propiedades que tiene el material. El problema es que la DRX produce una enorme cantidad de datos que está más allá de la capacidad humana para procesarlos eficazmente.
Automatización del análisis de materiales
El estudiodirigido por un estudiante de doctorado en ciencias de los materiales Jerardo Salgadodesarrollaron modelos de aprendizaje profundo para automatizar la clasificación de materiales basándose en sus patrones de DRX.
Los modelos de aprendizaje automático que utilizaron emplean redes neuronales convolucionales (CNN), un tipo de red neuronal realmente bueno para realizar tareas de reconocimiento y clasificación de imágenes.
Los modelos se entrenaron con un gran conjunto de datos de patrones sintéticos de DRX, generados para representar una amplia gama de condiciones experimentales y tipos de materiales.
Jefe de proyecto Niaz Abdolrahimprofesor de ingeniería mecánica de la Universidad de Rochester, "en cada una de estas imágenes se esconde mucha ciencia y física de los materiales, y cada día se producen terabytes de datos en instalaciones y laboratorios de todo el mundo".
Al explicar las ventajas del aprendizaje automático en su campo, Abdolrahim afirmó: "Desarrollar un buen modelo para analizar estos datos puede ayudar realmente a agilizar la innovación en materiales, comprender los materiales en condiciones extremas y desarrollar materiales para diferentes aplicaciones tecnológicas."
El uso de modelos de aprendizaje automático para filtrar los datos de DRX podría acelerar el desarrollo de dispositivos electrónicos más rápidos, mejores baterías o incluso artículos de uso cotidiano con mayor durabilidad, funcionalidad o sostenibilidad.
Investigadores del Centro de Materia a Presiones Atómicas tienen un interés especial en esta aplicación del aprendizaje automático. Utilizar la DRX mientras se exponen materiales a presiones y temperaturas extremas ayudará a los científicos no solo a descubrir formas de crear nuevos materiales, sino también a aprender sobre la formación de estrellas y planetas.
El uso de la IA para liberar a las mentes científicas de la pesadez del análisis de datos hará que su pensamiento creativo se dirija mejor al diseño de los materiales que darán forma a nuestro futuro.
