El diseño molecular automatizado mediante el aprendizaje automático ayuda a los científicos a identificar y sintetizar un nuevo electrolito polimérico para baterías de iones de litio.

El aprendizaje automático se está volviendo más generalizado en nuestra búsqueda para resolver los problemas científicos del día. Desde el plegamiento de proteínas hasta el procesamiento de imágenes, el aprendizaje automático es una herramienta establecida para hacer nuevos descubrimientos.

Una de esas áreas que se beneficiaría de la investigación de materiales es la tecnología de baterías. El aprendizaje automático se ha aplicado para predecir el rendimiento de las baterías recargables, pero estaba limitado por el tamaño del conjunto de datos y el hecho de que el modelo no fue monitoreado. Y quedan otros desafíos.

Bueno, en un artículo reciente en Comunicación rápida macromolecularInvestigadores de la Universidad de Waseda en Tokio, en colaboración con Fujitsu, han encontrado posibles materiales poliméricos para Li utilizando el aprendizaje automático.+ Baterías mucho más eficientes.

«La IA puede predecir nuevas estructuras de materiales con parámetros preferidos», dijo Kan Hatakeyama-Sato, investigador del Departamento de Química Aplicada de la Universidad de Waseda y primer autor del artículo. “Sin embargo, se sabe que la mayoría de las estructuras candidatas son basura. No cumplen con los criterios para aplicaciones prácticas como la simplicidad sintética, la estabilidad y la trabajabilidad”.

Los autores argumentan que usar IA sola para evaluar materiales candidatos es difícil porque la IA no tiene el conocimiento tácito que tienen los expertos con respecto a los parámetros preferidos para el material.

IA con ayuda de expertos

Hatakeyama-Sato y el equipo investigaron ciertas limitaciones en la automatización del proceso de descubrimiento de nuevos materiales para baterías y cómo podrían superarse con un poco de ayuda experta.

“En lugar de enseñarle a la IA todos los criterios de exploración de materiales”, dijo Hatakeyama-Sato, “el sistema fue entrenado para aprender cómo son los materiales prácticos. La IA aprendió sus propiedades esenciales ingresando las estructuras moleculares de los materiales existentes (aprendizaje automático no supervisado). Inspirado en las especies existentes, nuestro sistema podría crear estructuras de materiales sin precedentes con un rendimiento superior. Este proceso es como el diseño de nuevos materiales por parte de investigadores experimentados que se basan en la amplia experiencia de los materiales. [that they have] .»

Una vez que la máquina creó una lista de materiales candidatos, luego se analizaron utilizando un nuevo hardware llamado Digital Annealer, un poderoso sistema informático que permite a los investigadores evaluar de manera eficiente los materiales candidatos para determinar su idoneidad como materiales de batería.

«El sistema de IA ha desarrollado un nuevo polímero conductor de iones», dijo Hatakeyama-Sato. «El material ofreció una buena conductividad al mismo tiempo que mantuvo los estándares de electrolitos de estado sólido, como la estabilidad química, la estabilidad térmica, la solidez mecánica y una solubilidad razonable».

Retos futuros para el aprendizaje automático

La ciencia de los materiales se beneficiaría enormemente de una automatización más eficiente y sofisticada del proceso de diseño estructural, especialmente para los materiales orgánicos. Los investigadores creen que su sistema nos acerca un paso más a ese objetivo. El próximo paso podría ser que la IA no solo nos diga los materiales ideales para el producto final, sino también las rutas sintéticas necesarias para producirlos.

«Los materiales orgánicos son difíciles de diseñar computacionalmente debido a sus estructuras complejas», concluyó Hatakeyama-Sato. «Sin embargo, como muestran estos resultados, los nuevos algoritmos y el hardware están pavimentando gradualmente el camino hacia el diseño de materiales completamente automatizado».

Referencia: Kan Hatakeyama Satoet al., ‘Diseño automatizado de Li+-Polímero conductivo de Quantum Inspired Glow‘, Comunicación Rápida Macromolecular (2022) DOI: 10.1002/marc.202200385

Crédito de la foto: Tyler Lastovich en Unsplash

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí