Una de las aplicaciones del Deep Learning, la misma la tecnología que utilizan las computadoras para realizar de manera inteligente tareas como reconocer el lenguaje y conducir vehículos autónomos, está siendo utilizada por los investigadores de la Facultad de Ingeniería en la Universidad de Missouri en el campo de la ciencia de los materiales.
Gracias al Aprendizaje Profundo esperan descubrir cómo una capa única de átomos de carbono que se encuentran en el grafeno, uno de los materiales más fuertes del mundo, trabajan para crear un material sólido, o el diseño y descubrimiento de nuevos materiales.
«Puede entrenar una computadora para hacer lo que llevaría a muchos años para que la gente haga lo contrario», dijo Yuan Dong, profesor asistente de investigación de ingeniería mecánica y aeroespacial e investigador principal del estudio. «Este es un buen punto de partida.»
Dong trabajó con Jian Lin, profesor asistente de ingeniería mecánica y aeroespacial, para determinar si había una manera de predecir las miles de millones de posibilidades de las estructuras materiales creadas cuando ciertos átomos de carbono en el grafeno se reemplazan con átomos que no son de carbono .
«Si pones átomos en ciertas configuraciones, el material se comportará de manera diferente», dijo Lin. «Las estructuras determinan las propiedades. ¿Cómo puedes predecir estas propiedades sin hacer experimentos? Ahí es donde entran los principios computacionales«.
Lin y Dong se asociaron con Jianlin Cheng, un profesor de Ingeniería Eléctrica y Ciencias de la Computación, William y Nancy Thompson en MU, para incorporar unos cuantos miles de combinaciones conocidas de estructuras de grafeno y sus propiedades en modelos de aprendizaje profundo.
A partir de ahí, la computadora de alto rendimiento tardó aproximadamente dos días en aprender y predecir las propiedades de los miles de millones de otras posibles estructuras de grafeno sin tener que probar cada una por separado.
Los investigadores prevén los usos futuros de esta tecnología de asistencia de inteligencia artificial en el diseño de diferentes materiales bidimensionales o relacionados con el grafeno. Estos materiales podrían aplicarse a la construcción de televisores LED, pantallas táctiles, teléfonos inteligentes, células solares, misiles y dispositivos explosivos .
«Dé a un sistema informático inteligente cualquier diseño, y puede predecir las propiedades», dijo Cheng. «Esta tendencia está surgiendo en el campo de la ciencia de los materiales. Es un gran ejemplo de la aplicación de inteligencia artificial para cambiar el proceso estándar de diseño de materiales en este campo».
El estudio, «La predicción del intervalo de banda mediante el aprendizaje profundo en grafeno y nitruro de boro con hibridación de la configuración «, se publicó en npj Computational Materials .
Fuente: University of Missouri
Más información: Yuan Dong et al. Bandgap prediction by deep learning in configurationally hybridized graphene and boron nitride, npj Computational Materials (2019). DOI: 10.1038 / s41524-019-0165-4
Los investigadores de la Universidad Rice utilizaron un modelo de microestructura de nitruro de boro hexagonal dañado por radiación para ayudarles a estudiar los beneficios de las técnicas de aprendizaje profundo al simular materiales bidimensionales para comprender sus características. Imagen de Prabhas Hundi.
El Deep Learning’ proyecta una amplia red para los nuevos materiales en 2D
Los investigadores de la Brown School of Engineering de Rice University dicen que pueden descubrir rápidamente al proporcionar detalles básicos de sus estructuras a los agentes de «aprendizaje profundo» que tienen el poder de mapear las propiedades de los materiales. Mejor aún, los agentes pueden modelar rápidamente los materiales que los científicos están pensando en hacer para facilitar el diseño «de abajo hacia arriba» de materiales 2D.
Rouzbeh Shahsavari, profesor asistente de ingeniería civil y ambiental, y el estudiante graduado de Rice, Prabhas Hundi, exploraron las capacidades de las redes neuronales y los perceptrones de múltiples capas que toman datos mínimos de las estructuras simuladas de materiales 2D y realizan predicciones «razonablemente precisas» de su físico Características, como la fuerza, incluso después de que son dañadas por la radiación y las altas temperaturas.
Una vez entrenados, dijo Shahsavari, estos agentes podrían adaptarse para analizar nuevos materiales 2D con tan solo el 10 por ciento de sus datos estructurales. Eso devolvería un análisis de las fortalezas del material con aproximadamente el 95 por ciento de precisión, dijo.
«Esto sugiere que el aprendizaje por transferencia (en el que un algoritmo de aprendizaje profundo entrenado en un material puede aplicarse a otro) es un cambio potencial en los métodos de descubrimiento y caracterización del material», sugirieron los investigadores.
Los resultados de sus pruebas exhaustivas sobre grafeno y nitruro de boro hexagonal aparecen en la revista Small .
Fuente: Rice University
Más información: Prabhas Hundi et al, Deep Learning to Speed up the Development of Structure–Property Relations For Hexagonal Boron Nitride and Graphene, Small (2019). DOI: 10.1002/smll.201900656. DOI: 10.1002 / smll.201900656
