Los científicos utilizan el aprendizaje automático para acelerar el descubrimiento del vidrio metálico

Pero de vez en cuando, en las condiciones adecuadas, obtienes algo completamente nuevo: una aleación futurista llamada vidrio metálico que es amorfa, con sus átomos dispuestos en todas direcciones, al igual que los átomos del vidrio en una ventana. Su naturaleza vidriosa lo hace más fuerte y liviano que el mejor acero de la actualidad, además de resistir mejor a la corrosión y al desgaste.

A pesar de que el vidrio metálico muestra una gran promesa como revestimiento protector y alternativa al acero, solo se han evaluado unos pocos miles de millones de posibles combinaciones de ingredientes en los últimos 50 años, y solo un puñado se desarrolló hasta el punto de que pueden ser útil

Ahora, un grupo dirigido por científicos del Laboratorio Nacional de Aceleradores SLAC del Departamento de Energía, el Instituto Nacional de Estándares y Tecnología (NIST) y la Universidad Northwestern ha informado de un atajo para descubrir y mejorar el vidrio metálico y, por extensión, otros materiales difíciles de alcanzar. una fracción del tiempo y costo.

El grupo de investigación aprovechó un sistema de Stanford Synchrotron Radiation Lightsource (SSRL) de SLAC que combina el aprendizaje automático -una forma de inteligencia artificial donde los algoritmos de la computadora obtienen conocimientos de enormes cantidades de datos- con experimentos que rápidamente hacen y filtran cientos de materiales de muestra en un momento. Esto permitió al equipo descubrir tres nuevas mezclas de ingredientes que forman vidrio metálico, y hacer esto 200 veces más rápido de lo que se podía hacer antes, informaron hoy en Science Advances .

amorphous10.jpg

(Yvonne Tang / SLAC National Accelerator Laboratory)

“Por lo general, lleva una década o dos obtener un material desde el descubrimiento hasta su uso comercial”, dijo el profesor de Northwestern Chris Wolverton, uno de los primeros pioneros en el uso de computación e IA para predecir nuevos materiales y coautor del artículo. “Este es un gran paso para tratar de reducir ese tiempo”. Podría comenzar con nada más que una lista de propiedades que desea en un material y, utilizando AI, reducir rápidamente el enorme campo de materiales potenciales a unos pocos buenos candidatos “.

El objetivo final, dijo, es llegar al punto donde un científico pueda escanear cientos de materiales de muestra, obtener retroalimentación casi inmediata de los modelos de aprendizaje automático y tener otro conjunto de muestras listo para probar al día siguiente, o incluso en una hora.

Durante el último medio siglo, los científicos han investigado alrededor de 6.000 combinaciones de ingredientes que forman vidrio metálico, añadió el coautor del artículo Apurva Mehta, científico del personal de SSRL: “Pudimos hacer y seleccionar 20,000 en un solo año”.

Acaba de empezar

Mientras que otros grupos han utilizado el aprendizaje automático para llegar a predicciones sobre dónde se pueden encontrar diferentes tipos de vidrio metálico, Mehta dijo: “Lo único que hemos hecho es verificar rápidamente nuestras predicciones con mediciones experimentales y luego repetir cíclicamente los resultados nuevamente en la próxima ronda de aprendizaje automático y experimentos “.

Hay mucho espacio para hacer que el proceso sea aún más rápido, agregó.y, finalmente, lo automatizan para sacar a las personas del circuito para que los científicos puedan concentrarse en otros aspectos de su trabajo que requieren la intuición y la creatividad humana. “Esto tendrá un impacto no solo en los usuarios de sincrotrones, sino en toda la comunidad de ciencia de materiales y química”, dijo Mehta.

El equipo dijo que el método será útil en todo tipo de experimentos, especialmente en la búsqueda de materiales como vidrio metálico y catalizadores cuyo rendimiento está fuertemente influenciado por la forma en que se fabrican, y aquellos donde los científicos no tienen teorías para guiar su búsqueda. . Con el aprendizaje automático, no se necesita una comprensión previa. Los algoritmos establecen conexiones y sacan conclusiones por sí mismos, y esto puede orientar la investigación en direcciones inesperadas.

“Uno de los aspectos más emocionantes de esto es que podemos hacer predicciones con tanta rapidez y dar vuelta los experimentos con tanta rapidez que podemos permitirnos investigar materiales que no siguen nuestras reglas generales sobre si un material formará o no un vidrio. “, Dijo el coautor en papel Jason Hattrick-Simpers, un ingeniero de investigación de materiales en NIST. “AI va a cambiar el panorama de cómo se hace la ciencia de los materiales, y este es el primer paso”.

Fuerza en números

El documento es el primer resultado científico asociado con un proyecto piloto financiado por el DOE donde SLAC está trabajando con una empresa de Silicon Valley AI, Citrine Informatics , para transformar la forma en que se descubren los nuevos materiales y poner a disposición de científicos de todo el mundo las herramientas para hacerlo.

Fundada por ex estudiantes de posgrado de Northwestern y la Universidad de Stanford, Citrine creó una plataforma de datos de ciencia de materiales donde los datos que se habían guardado en documentos publicados, hojas de cálculo y cuadernos de laboratorio se almacenan en un formato consistente para que puedan analizarse con inteligencia artificial específicamente diseñada para materiales.

“Queremos tomar materiales y datos químicos y usarlos de manera efectiva para diseñar nuevos materiales y optimizar la fabricación”, dijo Greg Mulholland, fundador y CEO de la compañía. “Este es el poder de la inteligencia artificial: a medida que los científicos generan más datos, aprenden junto a ellos, sacando a la superficie tendencias ocultas y permitiendo a los científicos identificar materiales de alto rendimiento de forma mucho más rápida y efectiva que basándose en materiales tradicionales, puramente humanos. desarrollo.”

Hasta hace poco, pensar, crear y evaluar nuevos materiales era dolorosamente lento. Por ejemplo, los autores del papel de vidrio metálico calcularon que incluso si pudieras cocinar y examinar cinco tipos de vidrios metálicos potenciales al día, todos los días del año, tomaría más de mil años realizar cada combinación posible de rieles. Cuando descubren un vidrio metálico, los investigadores luchan para superar los problemas que mantienen estos materiales de regreso. Algunos tienen ingredientes tóxicos o caros, y todos comparten la naturaleza frágil y quebradiza del vidrio.

Durante la última década, los científicos de SSRL y de otros lugares han desarrollado formas de automatizar experimentos para que puedan crear y estudiar materiales más novedosos en menos tiempo. Hoy en día, algunos usuarios de SSRL pueden obtener un análisis preliminar de sus datos casi tan pronto como salen a la luz con el software AI desarrollado por SSRL en conjunto con Citrine y el proyecto CAMERA en el Laboratorio Nacional Lawrence Berkeley del DOE.

“Con estos sistemas automatizados podemos analizar más de 2.000 muestras por día”, dijo Fang Ren, autor principal del artículo, que desarrolló algoritmos para analizar datos sobre la marcha y coordinó su integración en el sistema mientras era becario postdoctoral en SLAC.

Experimentando con datos

En el estudio de vidrio metálico, el equipo de investigación investigó miles de aleaciones que contienen tres metales baratos no tóxicos.

Comenzaron con un tesoro de datos de materiales que se remonta a más de 50 años, incluidos los resultados de 6.000 experimentos que buscaron vidrio metálico. El equipo analizó los datos con algoritmos avanzados de aprendizaje automático desarrollados por Wolverton y el estudiante graduado Logan Ward en Northwestern.

Con base en lo que los algoritmos aprendieron en esta primera ronda, los científicos crearon dos conjuntos de aleaciones de muestra utilizando dos métodos diferentes, lo que les permitió probar cómo los métodos de fabricación afectan si una aleación se transforma en un vidrio.

Ambos conjuntos de aleaciones fueron escaneados por un rayo de rayos X SSRL, los datos ingresados ​​en la base de datos Citrine y nuevos resultados de aprendizaje automático generados, que se usaron para preparar nuevas muestras que se sometieron a otra ronda de escaneo y aprendizaje automático..

En la tercera y última ronda del experimento, dijo Mehta, la tasa de éxito del grupo para encontrar vidrio metálico había aumentado de una de 300 o 400 muestras analizadas a una de dos o tres muestras analizadas. Las muestras de vidrio metálico que identificaron representaban tres combinaciones diferentes de ingredientes, dos de los cuales nunca antes habían sido utilizados para fabricar vidrio metálico.

SSRL es una instalación para usuarios de la Oficina de Ciencias del DOE. Además de SLAC, NIST y Northwestern, los científicos que contribuyen a este estudio provienen del Instituto de Computación de la Universidad de Chicago, la Universidad de Carolina del Sur y la Universidad de Nueva Gales del Sur en Australia. El proyecto piloto de SLAC con Citrine está financiado por la Oficina de fabricación avanzada de la Oficina de Eficiencia Energética y Energía Renovable del DOE e incluye científicos colaboradores del NIST, el Laboratorio Nacional de Energía Renovable del DOE y la Escuela de Minas de Colorado. El proyecto CAMERA en Berkeley Lab cuenta con el respaldo de la Oficina de Ciencia del DOE.

– Escrito por Glennda Chui