Os cientistas de materiais estão constantemente a tentar encontrar novos materiais com propriedades específicas, mas os dados experimentais que têm de analisar são avassaladores. Os cientistas da Universidade de Rochester utilizaram a aprendizagem automática para acelerar a descoberta de novos materiais.
Os materiais cristalinos têm uma estrutura de rede cristalina bem ordenada e repetitiva, um arranjo regular e repetitivo de átomos, iões ou moléculas. A disposição destas redes cristalinas é o que confere propriedades específicas a um material.
Quer um material que seja duro, aguente altas temperaturas e seja leve? Para isso, é necessário obter a estrutura de rede correcta.
Quando os cientistas de materiais sintetizam uma pequena quantidade de um novo material, querem saber que tipo de propriedades este terá para decidir se é ou não viável para uma determinada aplicação.
Para tal, utilizam um processo designado por difração de raios X (XRD). A amostra de material é normalmente moída até se tornar um pó fino e depois exposta a raios X. Quando os raios X atingem os átomos do material, são difractados em várias direcções, dependendo da disposição atómica.
Os raios X difractados criam um padrão num detetor que os cientistas precisam de analisar para inferir as propriedades do material. O problema é que o XRD produz uma enorme quantidade de dados que está para além da capacidade dos humanos de os processar eficazmente.
Automatização da análise de materiais
O estudoliderado pelo estudante de doutoramento em ciência dos materiais Jerardo SalgadoA empresa de investigação, Inc., desenvolveu modelos de aprendizagem profunda para automatizar a classificação de materiais com base nos seus padrões XRD.
Os modelos de aprendizagem automática que utilizaram empregam redes neuronais convolucionais (CNN), um tipo de rede neuronal que é muito boa para efetuar tarefas de reconhecimento e classificação de imagens.
Os modelos foram treinados num grande conjunto de dados de padrões XRD sintéticos, que foram gerados para representar uma vasta gama de condições experimentais e tipos de materiais.
Chefe de projeto Niaz Abdolrahim, professor de engenharia mecânica na Universidade de Rochester, afirmou: "Há muita ciência e física dos materiais escondida em cada uma destas imagens, e estão a ser produzidos terabytes de dados todos os dias em instalações e laboratórios de todo o mundo".
Explicando os benefícios da aprendizagem automática na sua área, Abdolrahim afirmou: "O desenvolvimento de um bom modelo para analisar estes dados pode realmente ajudar a acelerar a inovação dos materiais, a compreender os materiais em condições extremas e a desenvolver materiais para diferentes aplicações tecnológicas".
A utilização de modelos de aprendizagem automática para filtrar os dados XRD pode acelerar o desenvolvimento de componentes electrónicos mais rápidos, melhores baterias ou mesmo artigos do dia a dia com maior durabilidade, funcionalidade ou sustentabilidade.
Os investigadores do Centro de Matéria a Pressões Atómicas têm um interesse especial nesta aplicação da aprendizagem automática. A utilização da XRD durante a exposição de materiais a pressões e temperaturas extremas ajudará os cientistas não só a descobrir formas de criar novos materiais, mas também a aprender sobre a formação de estrelas e planetas.
A utilização da IA para libertar as mentes científicas do trabalho árduo da análise de dados fará com que o seu pensamento criativo seja mais bem direcionado para a conceção dos materiais que irão moldar o nosso futuro.
