Noticias que
puedes ver.
Smart Material y más allá.
Episodios más recientes
Aplicación de redes neuronales redes neuronales gráficas nuevos materiales para el cátodo de baterías
Autores: Eduardo Abenza Severá
Abstract
El desarrollo de baterías con mejores propiedades es una de las líneas de trabajo más prometedoras en ciencia de los materiales. Dado que el proceso de descubrimiento de materiales es lento y costoso, se están realizando grandes esfuerzos en esta línea de investigación. en esta línea de investigación. Una de estas iniciativas es LiOn-HD, el proyecto en el que se ha desarrollado este trabajo. El objetivo de este proyecto es descubrir nuevos materiales con mayor densidad energética densidad energética, menor coste y más respetuosos con el medio ambiente. En el proyecto LiOn-HD, el papel de HI-Iberia, la institución donde se ha desarrollado este trabajo, es utilizar técnicas de Inteligencia Artificial para el descubrimiento de nuevos materiales para su uso en el cátodo de las bateríass.
El cátodo suele ser el componente que limita el rendimiento de las baterías. Nuestra estrategia consiste en combinar un modelo generativo con un modelo predictivo; mientras el primero genera materiales, el segundo predice algunas propiedades de interés de estos nuevos materiales que están relacionadas con el rendimiento del material en el cátodo. Los materiales se pueden representar de diferentes formas para que los modelos de Deep Learning aprendan alguna propiedad de ellos. El enfoque más prometedor para la predicción de propiedades de materiales es representar la celda unitaria del material como un gráfico. la celda unitaria del material como un gráfico.
Las redes neuronales de grafos son los modelos de aprendizaje profundo más adecuados para aprender de grafos. En los últimos años han surgido varios modelos de Redes Neuronales de Grafos con un inmenso poder predictivo en el campo de la Ciencia de Materiales. Dos de ellos, Crystal Graph Convolutional Neural Networks y Materials Graph Network, han sido evaluados en este trabajo. Otro objetivo de este trabajo era extraer conocimiento sobre por qué estos modelos funcionan tan bien. Con este objetivo, se ha empleado el método XGNN para la explicación de las predicciones de Crystal Graph Convolutional Neural Networks en términos de la estructura gráfica del material.
KIMIKO: PLATAFORMA IA PARA EVITAR LA CORROSIÓN EN LOS BUQUES
Autores: Eduardo Abenza Sévera, Cesar Alonso Garrido, Alvaro Caruana Santiago, Roberto Gomez-Espinosa
Abstract
La corrosión marina representa un reto importante en la industria de la construcción naval, ya que afecta a la durabilidad y la seguridad de los buques. Este problema, que afecta tanto al casco como a las tuberías internas de los buques, genera elevados costes de mantenimiento y puede comprometer la integridad estructural. El proyecto Kimiko, una colaboración entre Navantia e HI Iberia, pretende desarrollar una plataforma de inteligencia artificial para prevenir la corrosión en los buques mediante el diseño de materiales más resistentes y la aplicación de soluciones predictivas.
La plataforma se estructura sobre varios modelos de aprendizaje automático que predicen las condiciones ambientales a lo largo de las rutas de los buques, simulan el proceso de corrosión en condiciones dinámicas y a nivel atómico, y generan nuevas aleaciones de acero y revestimientos más resistentes a la corrosión. Además, se valida experimentalmente el rendimiento de estos nuevos materiales. Se espera que Kimiko no sólo reduzca los costes de mantenimiento y mejore la seguridad operativa de los buques, sino que también optimice la durabilidad de los componentes expuestos a entornos marinos agresivos.
Smart Material AI: plataforma de inteligencia artificial para el descubrimiento de nuevos materiales
Autores: Eduardo Abenza Sévera, Cesar Alonso Garrido, Alvaro Caruana Santiago, Roberto Gomez-Espinosa
Abstract
La inteligencia artificial (IA) se ha convertido en una herramienta esencial en el campo de la ciencia de materiales, sin embargo, los científicos de materiales a menudo se enfrentan a fricciones cuando intentan integrar la IA en sus prácticas de investigación. Este artículo presenta Smart Material (SM), una plataforma innovadora diseñada para acelerar y optimizar el descubrimiento de nuevos materiales, aprovechando técnicas de aprendizaje profundo para facilitar un análisis más eficiente y preciso. SM incluye capacidades para consultar y aprender de grandes conjuntos de datos experimentales y teóricos, generar prototipos de materiales totalmente novedosos y predecir las propiedades de estos nuevos materiales antes de la síntesis experimental y la caracterización.
En la actualidad, SM impulsa proyectos que van desde la industria naval, mediante la simulación de la corrosión en los materiales de los buques, hasta la industria energética, con la identificación de materiales más eficientes para las baterías de iones de litio. Los resultados obtenidos hasta ahora con esta plataforma han sido prometedores y han llevado al descubrimiento de un prometedor cátodo para baterías de iones de litio. En este artículo se expondrá en detalle la metodología de la plataforma y los resultados obtenidos hasta la fecha, junto con el potencial de esta tecnología para revolucionar el campo del descubrimiento de materiales.
