TecNoticias, tu portal de información

La capacidad de aprendizaje automático para realizar tareas intelectualmente exigentes en varios campos, incluida la ciencia de los materiales, ha provocado que reciba una atención considerable. Muchos creen que podría usarse para desbloquear importantes ahorros de tiempo y costos en el desarrollo de nuevos materiales.

La creciente demanda por el uso del aprendizaje automático para obtener modelos sustitutos de propiedades de materiales de evaluación rápida ha llevado a los científicos del Instituto Nacional de Ciencia de Materiales en Tsukuba, Japón, a demostrar que podría ser el impulsor clave de la "próxima frontera "De la ciencia de los materiales en investigaciones recientemente publicadas.

Datos de materiales insuficientes

Para aprender, las máquinas se basan en el procesamiento de datos mediante el aprendizaje supervisado y no supervisado.

Sin datos, sin embargo, no hay nada de qué aprender.

Desafortunadamente, los posibles avances tecnológicos en el aprendizaje automático y sus posibles aplicaciones en la ciencia de los materiales no se están explotando completamente debido a una considerable falta de volumen y diversidad de datos de materiales. Los investigadores japoneses creen que esto es un progreso enormemente sofocante.

Sin embargo, se dice que un marco de aprendizaje automático conocido como "aprendizaje de transferencia" tiene un gran potencial para poder superar el problema de un suministro de datos relativamente pequeño. Este marco se basa en el concepto de que varios tipos de propiedades, por ejemplo, físicos, eléctricos, químicos y mecánicos, están interrelacionados físicamente.

Para predecir con éxito una propiedad objetivo a partir de un suministro limitado de datos de capacitación, los investigadores utilizaron modelos de propiedades proxy relacionadas que se han entrenado previamente utilizando datos suficientes. Estos modelos pueden capturar características comunes que son relevantes para la tarea objetivo.

Esta reutilización de las características adquiridas por la máquina en la tarea objetivo ha demostrado un alto rendimiento de predicción incluso cuando los conjuntos de datos son muy pequeños.

Transferencia de aprendizaje (TL) de polímeros a través de 19 observaciones diferentes. Imagen utilizada por cortesía de la American Chemical Society.

Facilitar el uso generalizado del aprendizaje de transferencia

Para facilitar el uso generalizado y aumentar el poder del aprendizaje de transferencia, los investigadores japoneses crearon su propia biblioteca modelo pre-entrenada, XenonPy.MDL.

En su primer lanzamiento, la biblioteca está compuesta por más de 140,000 modelos pre-entrenados para varias propiedades de moléculas pequeñas, polímeros y materiales cristalinos inorgánicos. Junto con estos modelos, los investigadores proporcionan literatura que describe algunos de sus éxitos más sobresalientes al aplicar el aprendizaje por transferencia en diferentes escenarios. Ejemplos como la posibilidad de construir modelos usando el marco de trabajo en conjunto con solo docenas de datos de materiales demuestran la efectividad del marco de aprendizaje de transferencia.

Los investigadores también destacan cómo descubrieron que el aprendizaje de transferencia trasciende a través de diferentes disciplinas de la ciencia de los materiales, como los puentes subyacentes entre la química orgánica e inorgánica.

Una serie de figuras que demuestran el uso del aprendizaje por transferencia en materiales orgánicos e inorgánicos. Imagen utilizada por cortesía de la American Chemical Society.

Indispensable para los flujos de trabajo centrados en el aprendizaje automático

Si bien el aprendizaje por transferencia se usa con frecuencia en varios campos del aprendizaje automático, todavía falta su uso en la ciencia de los materiales.

Además, la disponibilidad limitada de grandes datos de acceso abierto probablemente continuará en el futuro cercano, dicen los investigadores, debido a una clara falta de incentivos para compartir datos, un problema en parte causado por los objetivos conflictivos de las partes interesadas en la academia, la industria y el público. y organizaciones gubernamentales. Esto significa que la relevancia del aprendizaje de transferencia solo crecerá y contribuirá aún más al éxito de los flujos de trabajo centrados en el aprendizaje automático en la ciencia de los materiales.