La inteligencia artificial (IA) está transformando el campo de la ciencia de los materiales, y los modelos predictivos de IA están desempeñando un papel importante en esta transformación. Estos modelos pueden proporcionar información valiosa sobre el comportamiento y las propiedades de los materiales, lo que lleva al descubrimiento y la optimización de materiales nuevos y existentes. En esta publicación, exploraremos las diversas formas en que los modelos predictivos de IA se utilizan en la ciencia de los materiales y el impacto que están teniendo.
El aprendizaje supervisado es un tipo de aprendizaje automático (ML) en el que el algoritmo se entrena en un conjunto de datos etiquetado. El objetivo del aprendizaje supervisado es predecir la salida correcta en función de la entrada. Esto es importante porque permite que el algoritmo aprenda de ejemplos pasados y haga predicciones sobre datos futuros que no ha visto antes.
Una de las aplicaciones más emocionantes de los modelos predictivos de IA en la ciencia de los materiales es el descubrimiento de nuevos materiales, que fue el tema de una publicación anterior. Con la gran cantidad de datos generados en el campo, los algoritmos de IA pueden ayudar a los investigadores a identificar patrones y relaciones entre las propiedades de los materiales y su desempeño en diversas aplicaciones. Esta información se puede utilizar para guiar la síntesis de nuevos materiales con las propiedades deseadas. Por ejemplo, los algoritmos de IA pueden analizar grandes conjuntos de datos de las propiedades y el rendimiento de los materiales en aplicaciones de almacenamiento de energía, como las baterías, para identificar las correlaciones entre sus propiedades y el rendimiento de estas.
Dentro de este área de trabajo existe una gran variedad de modelos de aprendizaje que van desde los más rudimentarios hasta los más modernos y todos tienen su campo de aplicación dependiendo del tamaño y características del conjunto de datos. Además, es esencial elegir una representación material que se adapte bien al modelo de aprendizaje que se utilizará y, como revisamos recientemente, existe una amplia variedad de tipos de datos utilizados para representar materiales como entradas para la Inteligencia Artificial. Teniendo esto en cuenta, no es sorprendente que la literatura albergue un amplio espectro de combinaciones de representaciones de materiales y modelos de aprendizaje para predecir sus propiedades. Algunos ejemplos incluyen:
- Ja et al. (2018) desarrollaron un modelo de IA (una red neuronal profunda llamada ElemNet) que predice con alta precisión la entalpía de formación de materiales teniendo en cuenta solo vectores 1D basados en la composición.
- Himanen et al. (2020) lograron resultados notables en la predicción de la energía de formación de materiales utilizando descriptores atómicos locales SOAP y ACSF (y otros descriptores estructurales) como entradas de un kernel ridge regressor (KRR), que es un modelo tradicional de aprendizaje automático.
- Xie & Grossman (2018) propusieron un modelo de IA (red neuronal convolucional de grafos, CGCNN) para predecir las propiedades de los materiales directamente a partir de las conexiones de los átomos en una estructura cristalina representada en forma de grafo. Este enfoque proporciona una representación universal e interpretable con predicciones precisas para varios tipos y composiciones de cristales.
Los modelos predictivos son, en pocas palabras, un buen ajuste entre la representación de un material y un modelo de aprendizaje (Himanen et al., 2020).
En conclusión, los modelos predictivos de IA están teniendo un gran impacto en el campo de la Ciencia de Materiales. Con la ayuda del aprendizaje supervisado, estos modelos pueden aprender de ejemplos pasados y hacer predicciones sobre datos futuros, lo que lleva al descubrimiento y optimización de materiales nuevos y existentes. Desde la identificación de correlaciones entre las propiedades y el rendimiento hasta el descubrimiento de nuevos materiales con las propiedades deseadas, las aplicaciones de los modelos predictivos de IA en la ciencia de los materiales son amplias y emocionantes. Con los avances en la representación de materiales y el desarrollo de arquitecturas de aprendizaje cada vez más diversas y útiles, el potencial para nuevos avances en el campo es inmenso.
