AI nos está ayudando a descubrir materiales más rápido que nunca. Podemos predecir que compuestos pueden crear materiales antes de poner un pie en un laboratorio

Durante cientos de años, se descubrieron nuevos materiales a través de ensayo y error, o la suerte y la casualidad. Ahora, los científicos están utilizando inteligencia artificial para acelerar el proceso.

Recientemente, investigadores de Northwestern University utilizan AI para averiguar cómo hacer nuevos híbridos de metal-vidrio 200 veces más rápido de lo que tendrían que hacer experimentos en el laboratorio. Otros científicos están construyendo bases de datos de miles de compuestos que algoritmos pueden predecir cuáles se combinan para formar nuevos materiales de interés. Otros todavía están usando AI una mina de documentos publicados por “recetas” hacer estos materiales.

En el pasado, los científicos y los constructores materiales mezclados juntos para ver lo que forman. Esto es como cemento, por ejemplo, fue descubierto. Con el tiempo, aprendieron las propiedades físicas de varios compuestos, pero mucho del conocimiento todavía fue basado en la intuición. “Si usted pregunta por qué era mejor en la fabricación de cuchillos de acero japonés regado, no creo nadie podría haber dicho,”, dice James Warren, director de la iniciativa del genoma de materiales en el Instituto Nacional de estándares y tecnología. “Sólo tenían conocimiento de un artesano de la relación entre esa estructura y genialidad”.

Ahora, en lugar de utilizar el conocimiento del artesano, podemos utilizar bases de datos y cálculos para rápidamente exactamente lo que hace que un material mucho más fuerte o más ligero, y que tiene el potencial para revolucionar la industria después de la industria, según Warren. El tiempo entre el descubrimiento de un material y su integración en un producto como una batería puede ser más de 20 años, añade, y acelerar el proceso está destinado a llevarnos a mejores baterías y vidrio para teléfonos celulares, mejores aleaciones para cohetes y mejor para sanar dispositivos de TH. “Cualquier cosa hecha de materia,” dice Warren, “podemos mejorar”.

Para entender cómo se fabrican los nuevos materiales, es útil pensar en un científico de materiales como un cocinero, según Warren. Dicen que tienes huevos y usted está de humor para algo suave y firme. Son las propiedades del plato que quiera, pero ¿cómo llegar allí? Para crear una estructura donde el blanco y la yema son sólidos, usted necesita una receta que incluye instrucciones paso a paso para el procesamiento del huevo — hardboiling es — de la forma que desee. Ciencia de los materiales utiliza estos mismos conceptos: Si un científico quiere que ciertas propiedades de los materiales (dicen, ligero y duro a la fractura), ella buscará las estructuras físicas y químicas que crearían estas propiedades y los procesos, como fusión o golpear a metal — que crearía estas estructuras.

Bases de datos y cómputos pueden ayudar a encontrar respuestas. “Hacemos cálculos de nivel de mecánica cuántica de materiales, cálculos bastante sofisticación que realmente podemos predecir las propiedades de una posible nueva material en una computadora antes de que ha hecho en un laboratorio,” dice Chris Wolverton , un científico de materiales en la Universidad Northwestern que dirige la Base de datos de materiales cuánticos abierta. (Otras importantes bases de datos incluyen el Proyecto de los materiales y la Nube de materiales). Las bases de datos no son completos, pero están creciendo y ya que nos da interesantes descubrimientos.

Nicola Marzari, un investigador École Polytechnique Fédérale de Lausanne suizo, utiliza bases de datos para encontrar materiales 3D que pueden ser pelados aparte para crear materiales 2D de una sola capa. Un ejemplo de ello es la muy publicitada grafeno, que consiste en una sola hoja del grafito, el material en un lápiz. Como grafeno, estos materiales 2D podrían tener propiedades extraordinarias, como la fuerza, que no tienen en su forma 3D.

Equipo de Marzari tenía un algoritmo tamizar a través de información de varias bases de datos. A partir de materiales de más de 100.000, el algoritmo eventualmente encontraron unos 2.000 materiales que podrían ser pelados en una capa, según el documento Marzari publicado el mes pasado enNanotecnología de la naturaleza. Marzari, quien dirige la nube de materiales, dice que estos materiales son un “tesoro” porque muchos tienen propiedades que podrían mejorar la electrónica. Algunos muy bien conducir la electricidad, algunos pueden convertir calor en el agua, algunos absorben energía del sol: podría ser útiles para semiconductores en las computadoras o las baterías, por lo que el siguiente paso es investigar estas posibles propiedades más de cerca.

Trabajo de Marzari es un ejemplo de cómo los científicos están utilizando bases de datos para predecir qué compuestos podrían crear materiales nuevos y emocionantes. Esas predicciones, sin embargo, todavía necesitan confirmarse en un laboratorio. Y Marzari tenía todavía a su algoritmo a seguir ciertas reglas, como en busca de enlaces químicos débiles. Inteligencia artificial puede crear un acceso directo: en lugar de normas específicas de programación, los científicos pueden decir AI lo que quiere crear, como un material superstrong — y la inteligencia artificial los científicos el mejor experimento que correr para hacer el nuevo material.

Es cómo Wolverton y su equipo de Northwestern AI para un artículo publicado este mes en Avances de la ciencia. Los investigadores estaban interesados en la fabricación de vidrios metálicos nuevos, que son más fuertes y menos rígida de metal o cristal y podría algún día mejorar los teléfonos y vehículos espaciales.

El método de AI que utilizan es similar a las formas que las personas aprenden un nuevo idioma, dice el estudio co-autor Apurva Mehta, un científico de la Universidad de Stanford SLAC National Accelerator Laboratory. Una forma de aprender un idioma es a sentarse y memorizar todas las reglas de la gramática. “Pero otra forma de aprender es solo por experiencia y escuchar a alguien hablar de otra cosa,” dice Mehta. Su enfoque es una combinación. En primer lugar, los investigadores estudiaron a través de artículos publicados para encontrar tantos datos como sea posible sobre cómo diferentes tipos de vidrios metálicos se han hecho. A continuación, se alimentaban estas “reglas de la gramática” en un algoritmo de aprendizaje automático. El algoritmo entonces aprendió a hacer sus propias predicciones de que la combinación de elementos crearía una nueva forma de cristal metálico, similar a cómo una persona puede mejorar su francés va a Francia en lugar de memorizar sin cesar cartas verbal. Equipo de Mehta había probado entonces sugerencias del sistema en experimentos de laboratorio.

Los científicos pueden sintetizar y probar miles de materiales a la vez. Pero incluso a esa velocidad, sería una pérdida de tiempo a ciegas probar cada combinación posible. “No sólo tiran la completa tabla periódica en su equipo,” dice Wolverton, por lo que el papel de la IA es “sugerir algunos lugares para ellos empezar”. El proceso no fue perfecto y algunas sugerencias, como la relación exacta de los elementos necesarios — estaban apagados, pero los científicos fueroncapaces de vidrios metálicos nueva forma. Además, hacer los experimentos significa ahora tenían aún más datos para alimentar al algoritmo así que crece más inteligente y más inteligente cada vez.

Otra forma de usar AI es crear un “libro de cocina”, o una colección de recetas para los materiales. En dos artículos publicados a finales del año pasado, los científicos MIT desarrollaron un sistema de aprendizaje automático que escanea documentos académicos para que unos incluyen instrucciones para la fabricación de ciertos materiales. Podrían detectar con una precisión de 99 por ciento que los párrafos de un documento incluyen la “receta” y con una precisión del 86 por ciento las palabras exactas en ese párrafo.

El equipo MIT está entrenando ahora AI para ser más exactos. Como crear una base de datos de las recetas de la comunidad científica en general, pero que necesitan trabajar con el editor de estos artículos académicos para asegurarse de que su colección no viola los acuerdos. Finalmente, el equipo también quiere enseñar el sistema para leer documentos y después con nuevas recetas por cuenta propia.

“Uno de los objetivos es descubrir formas más eficientes y rentables de hacer materiales que ya hacemos,” dice el coautor del estudio y científico de materiales MIT Elsa Olivetti. «Otro es, aquí es el compuesto que la ciencia computacional de materiales previsto, podemos entonces sugerimos un conjunto mejor de maneras de hacerlo?»

Parece prometedor el futuro de la AI y la ciencia de los materiales, pero aún quedan retos. En primer lugar, los equipos simplemente no pueden predecir todo. “Las predicciones tienen errores y a menudo trabajan en un modelo simplificado de materiales que no tenga en cuenta el mundo real,” dice Marzari del EPFL. Hay todo tipo de factores ambientales, como temperatura y humedad, que afectan el comportamiento de los compuestos. Y la mayoría de los modelos no puede tomarlas en cuenta.

Otro problema es que todavía no tenemos suficientes datos acerca de cada compuesto, según Wolverton, y la falta de datos significa algoritmos no muy inteligentes. Dicho esto, él y Mehta ahora están interesados en el uso de su método sobre otros tipos de materiales al lado de cristal metálico. Y esperan que un día, no necesita un ser humano para hacer experimentos en todos, sólo va a ser AI y robots. “Podemos crear realmente un sistema totalmente autónomo,” Wolverton dice, “sin ningún ser humano involucrado.”