Computers namen vroeger hele kamers in beslag. Vandaag, een laptop van twee pond kan moeiteloos in een rugzak glijden. Maar dat zou niet mogelijk zijn geweest zonder de creatie van nieuwe, kleinere verwerkers - die alleen mogelijk zijn met de innovatie van nieuwe materialen.

Maar hoe vinden materiaalwetenschappers eigenlijk nieuwe materialen uit? Door te experimenteren, legt Sanket Deshmukh uit, een assistent-professor op de afdeling chemische technologie wiens team onlangs gepubliceerde computationele onderzoek de efficiëntie en kostenbesparingen van het materiaalontwerpproces enorm zou kunnen verbeteren.

Het laboratorium van Deshmukh, het laboratorium Computational Design of Hybrid Materials, is gewijd aan het begrijpen en simuleren van de manieren waarop moleculen bewegen en op elkaar inwerken - cruciaal voor het creëren van een nieuw materiaal.

In recente jaren, machinaal leren, een krachtige subset van kunstmatige intelligentie, is door materiaalwetenschappers gebruikt om de ontdekking van nieuwe materialen te versnellen door middel van computersimulaties. Deshmukh en zijn team hebben onlangs onderzoek gepubliceerd in de Journal of Physical Chemistry Letters demonstreren van een nieuw machine learning-raamwerk dat traint "on the fly, " wat betekent dat het gegevens onmiddellijk verwerkt en ervan leert om de ontwikkeling van computermodellen te versnellen.

Traditioneel wordt de ontwikkeling van computermodellen "handmatig uitgevoerd via trial-and-error-aanpak, wat erg duur en inefficiënt is, en is een arbeidsintensieve taak, ' legde Deshmukh uit.

"Dit nieuwe raamwerk gebruikt niet alleen voor het eerst machine learning op een unieke manier, "Deshmukh zei, "maar het versnelt ook dramatisch de ontwikkeling van nauwkeurige computermodellen van materialen."

"We trainen het machine learning-model op een 'omgekeerde' manier door de eigenschappen van een model verkregen uit moleculaire dynamica-simulaties te gebruiken als input voor het machine learning-model, en het gebruik van de invoerparameters die worden gebruikt in simulaties van moleculaire dynamica als uitvoer voor het machine learning-model, " zei Karteek Bejagam, een postdoctoraal onderzoeker in het laboratorium van Deshmukh en een van de hoofdauteurs van de studie.

Dit nieuwe raamwerk stelt onderzoekers in staat om computermodellen te optimaliseren, met ongewoon hogere snelheid, totdat ze de gewenste eigenschappen van een nieuw materiaal bereiken.

Het beste gedeelte? Ongeacht hoe nauwkeurig de voorspellingen van machine learning-modellen zijn, omdat ze on-the-fly worden getest, deze modellen hebben geen negatieve invloed op de modeloptimalisatie, als het niet klopt. "Het kan geen kwaad, het kan alleen maar helpen, " zei Samrendra Singh, een gastwetenschapper in het laboratorium van Deshmukh en een andere auteur van de studie.

"Het mooie van dit nieuwe raamwerk voor machinaal leren is dat het heel algemeen is, wat betekent dat het machine learning-model kan worden geïntegreerd met elk optimalisatie-algoritme en computertechniek om het materiaalontwerp te versnellen, ' zei Singh.

de publicatie, onder leiding van Bejagam en Singh en met de medewerking van Ph.D. student Yaxin An, toont het gebruik van dit nieuwe raamwerk door de modellen van twee oplosmiddelen te ontwikkelen als proof of concept.

Het laboratorium van Deshmukh is van plan voort te bouwen op het onderzoek door gebruik te maken van dit nieuwe op machine learning gebaseerde raamwerk om modellen te ontwikkelen van verschillende materialen die potentiële biomedische en energietoepassingen hebben.