Encontrando novas necessirles em um palheiro de materiais usando aprendizado de máquina

Prévia do material em texto

1/3
Encontrando novas “necessirles” em um palheiro de
materiais usando aprendizado de máquina
Um novo algoritmo de aprendizado de máquina chamado "Aprendizado Ativo" poderia ajudar a identificar
os melhores materiais para qualquer aplicativo desejado.
Gráfico UMAP de DFT calculado bandgaps
Conforme a tecnologia avança, encontrar o material perfeito para tornar uma tela de telefone mais
brilhante, um isqueiro de células solares ou deixar um carro elétrico viajar mais é mais complicado do
que encontrar uma agulha em um palheiro.
Estima-se que existam mais materiais potencialmente desconhecidos do que átomos no universo!
Embora isso seja promissor quando se trata de avançar a tecnologia, encontrar o material certo para
uma aplicação específica torna-se bastante difícil. Por exemplo, um dos maiores problemas no projeto
de células solares é que as propriedades dos materiais usados para construí-las não correspondem a
todas as energias da luz no espectro solar. Isso significa que uma porção de luz incidente é
desperdiçada, estimulando a busca por outro material que possa colher tudo.
Clicando os materiais mais finos juntos
Em um estudo recente publicado na revista Advanced Intelligent Systems, uma equipe internacional de
pesquisadores usou o aprendizado de máquina para encontrar esses materiais ideais.
http://nowiknow.com/how-long-it-takes-to-find-a-needle-in-a-haystack/
2/3
A equipe se concentrou em materiais 2D – materiais tão finos quanto uma única camada atômica – para
aprimorar sua abordagem de aprendizado de máquina. Esses materiais podem conduzir eletricidade
melhor do que o cobre, ser um isolante quase perfeito, ou qualquer coisa no meio, tornando-os ideais
para uma ampla gama de aplicações de dispositivos eletrônicos e ópticos atuais ou futuros.
Atualmente, existem cerca de 2000 materiais 2D conhecidos. O que os torna particularmente
interessantes é quando eles estão empilhados em camadas, um em cima um do outro como blocos
Lego, o novo material que agora é uma composição de diferentes camadas de material tem
propriedades que são completamente diferentes das de seus componentes de base - como empilhar um
bloco de Lego amarelo e azul juntos e o girado onipresente verde brilhante ou laranja ou vermelho.
Isso significa que, embora você possa ter acesso a milhões de potenciais, novos materiais e
propriedades, descobrir a combinação certa, prever quais serão essas propriedades ou encontrar o
melhor para qualquer aplicação é quase impossível usando métodos experimentais convencionais.
Encontrando a agulha
Entre na equipe multidisciplinar de engenheiros químicos, cientistas de materiais, físicos e, o mais
importante, químicos computacionais. Para resolver esse problema de uma agulha em um palheiro, a
equipe alimentou propriedades conhecidas de materiais 2D em um novo tipo de algoritmo de
aprendizado de máquina chamado “Active Learning”, que busca lacunas nos dados e concentra suas
previsões lá.
Isso como um programa de computador que aprende relações entre estruturas 2D e propriedades
eletrônicas ou ópticas úteis de maneira semelhante aos humanos: sendo mostrado exemplos. Por
exemplo, pessoas fora da Austrália aprenderam desde tenra idade que todos os cisnes eram brancos,
mas revisaram suas ideias quando viram cisnes australianos serem negros. De forma semelhante, o
aprendizado ativo acelera o aprendizado de máquina, identificando onde os modelos são ruins na
previsão de propriedades e adicionando esses exemplos aos dados para treinar o novo modelo. Isso
melhora as previsões sem ter que fazer fisicamente e testar um número impossível de novos materiais.
Isso permitiu que a equipe preveja as propriedades ópticas e eletrônicas de mais de 2,2 milhões de
combinações de diferentes materiais 2D. A precisão das previsões foi verificada mantendo alguns
materiais 2D separados do modelo e, em seguida, prevendo suas propriedades usando o modelo gerado
a partir do restante dos dados.
A equipe disponibilizou gratuitamente essas previsões de propriedades eletrônicas e ópticas para a
comunidade de pesquisa estudar – abrindo caminho para que outros construam e testem essas
combinações de materiais 2D.
Como há um número tão grande de materiais – com propriedades tão incrivelmente diversas – a equipe
deu um passo adiante e as quebrou em combinações que absorvem cores específicas de luz. No futuro,
simplesmente selecionando a combinação correta de materiais 2D do bloco “Lego”, os engenheiros
poderão combinar as lacunas de energia no material com o espectro solar para dar a máxima eficiência
possível. Além disso, a cor de qualquer superfície pode ser sintonizada com um revestimento de apenas
alguns átomos, com infinitas possibilidades de conversão de energia solar.
3/3
O aprendizado ativo e o aprendizado de máquina em geral estão se tornando muito importantes para a
descoberta de materiais de “próxima geração” com propriedades que não eram acessíveis
anteriormente. Este estudo mostra quão incrivelmente grande um número de materiais potenciais pode
ter suas propriedades previstas, minimizando o número de experimentos demorados e caros que
precisam ser feitos. Este método será inestimável na ciência dos materiais para identificar rapidamente
materiais com as melhores propriedades possíveis para uma determinada tarefa, economizando tempo e
recursos.
Referência: Marco Fronzi, et al., Aprendizagem ativa em redes neurais bayesianas para as previsões de
bandgap do romance Van der Waals heteroestruturas, Sistemas Inteligentes Avançados (2021). DOI:
10.1002/aisy.202100080
ASN WeeklyTradução
Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente
na sua caixa de entrada.
ASN WeeklyTradução
Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas.
https://onlinelibrary.wiley.com/doi/10.1002/aisy.202100080
https://onlinelibrary.wiley.com/doi/10.1002/aisy.202100080