Método pode prever propriedades de novos materiais

Uma nova abordagem pode treinar um modelo de aprendizado de máquina para prever as propriedades de um material usando apenas dados obtidos por meio de medições simples, economizando tempo e dinheiro em comparação com os usados ​​atualmente. Ele foi projetado por pesquisadores do Instituto Nacional de Ciência de Materiais do Japão (Nims), Asahi Kasei Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals e Sumitomo Chemical Co e relatado na revista Science and Technology of Advanced Materials: Methods.

“O aprendizado de máquina é uma ferramenta poderosa para prever a composição de elementos e processos necessários para fabricar um material com propriedades específicas”, explica Ryo Tamura, pesquisador sênior do Nims, especializado na área de informática de materiais.

Geralmente, uma quantidade enorme de dados é necessária para treinar modelos de aprendizado de máquina para essa finalidade. Dois tipos de dados são usados. Descritores controláveis ​​são dados que podem ser escolhidos sem fazer um material, como os elementos químicos e processos usados ​​para sintetizá-lo. Mas descritores incontroláveis, como dados de difração de raios X, só podem ser obtidos fazendo o material e conduzindo experimentos nele.

“Desenvolvemos um método de projeto experimental eficaz para prever com mais precisão as propriedades do material usando descritores que não podem ser controlados”, diz Tamura.

A abordagem envolve o exame de um conjunto de dados de descritores controláveis ​​para escolher o melhor material com as propriedades alvo para usar para melhorar a precisão do modelo. Nesse caso, os cientistas interrogaram um banco de dados de 75 tipos de polipropilenos para selecionar um candidato com propriedades mecânicas específicas.

Eles então selecionaram o material e extraíram alguns de seus descritores incontroláveis, por exemplo, seus dados de difração de raios-X e propriedades mecânicas.

Esses dados foram adicionados ao conjunto de dados presente para melhor treinar um modelo de aprendizado de máquina empregando algoritmos especiais para prever as propriedades de um material usando apenas descritores incontroláveis.

“Nosso projeto experimental pode ser usado para prever dados experimentais difíceis de medir usando dados fáceis de medir, acelerando nossa capacidade de projetar novos materiais ou reaproveitar os já conhecidos, enquanto reduz os custos”, diz Tamura. O método de previsão também pode ajudar a melhorar a compreensão de como a estrutura de um material afeta propriedades específicas. A equipe está atualmente trabalhando para otimizar ainda mais sua abordagem em colaboração com fabricantes de produtos químicos no Japão.