Een gezamenlijke onderzoeksgroep waaronder Ryo Yoshida (hoogleraar en directeur van het Data Science Center for Creative Design and Manufacturing bij het Institute of Statistical Mathematics [ISM], Onderzoeksorganisatie van informatie en systemen), Junko Morikawa (hoogleraar aan de School of Materials and Chemical Technology, Tokyo Institute of Technology [Tokyo Tech]), en Yibin Xu (Group Leader of Thermal Management and Thermoelectric Materials Group, Centrum voor Materiaalonderzoek door Informatie Integratie, Afdeling Onderzoek en Diensten van Materiaalgegevens en Geïntegreerd Systeem [MaDIS], NIMS) heeft de veelbelovende toepassing van machine learning (ML) aangetoond - een vorm van AI waarmee computers kunnen "leren" van bepaalde gegevens - voor het ontdekken van innovatieve materialen.

Rapporteren van hun bevindingen in het open-access tijdschrift npj Computational Materials , laten de onderzoekers zien dat hun ML-methode, met betrekking tot "transfer learning, " maakt de ontdekking van materialen met gewenste eigenschappen mogelijk, zelfs uit een zeer kleine dataset.

De studie was gebaseerd op een dataset van polymere eigenschappen van PoLyInfo, de grootste database van polymeren ter wereld ondergebracht bij NIMS. Ondanks zijn grootte, PoLyInfo heeft een beperkte hoeveelheid gegevens over de warmteoverdrachtseigenschappen van polymeren. Om de warmteoverdrachtseigenschappen te voorspellen uit de gegeven beperkte gegevens, ML-modellen over proxy-eigenschappen werden vooraf getraind waar voldoende gegevens beschikbaar waren over de gerelateerde taken; deze vooraf getrainde modellen legden gemeenschappelijke kenmerken vast die relevant zijn voor de doeltaak. Het opnieuw gebruiken van dit soort machine-verworven functies voor de doeltaak leverde uitstekende voorspellingsprestaties op, zelfs met buitengewoon kleine datasets - niet anders dan het werk van zeer ervaren menselijke experts met betrekking tot rationele gevolgtrekkingen, zelfs voor aanzienlijk minder ervaren taken. Het team combineerde dit model met een speciaal ontworpen ML-algoritme voor computationeel moleculair ontwerp, dat het iQSPR-algoritme wordt genoemd dat eerder door Yoshida en zijn collega's is ontwikkeld. Door deze techniek toe te passen, konden duizenden veelbelovende "virtuele" polymeren worden geïdentificeerd.

Uit deze grote pool van kandidaten, drie polymeren werden geselecteerd op basis van hun gemak van synthese en verwerking. Tests hebben bevestigd dat de nieuwe polymeren een hoge thermische geleidbaarheid hebben tot 0,41 Watt per meter Kelvin (W/mK). Dit cijfer is 80 procent hoger dan dat van typische polyimiden, een groep veelgebruikte polymeren die sinds de jaren vijftig massaal worden geproduceerd voor toepassingen variërend van brandstofcellen tot kookgerei.

Door de warmteoverdrachtseigenschappen van de computationeel ontworpen polymeren te verifiëren, de studie betekent een belangrijke doorbraak voor snelle, kostenefficiënt, ML-ondersteunde methoden voor materiaalontwerp. Het toont ook de gecombineerde expertise van het team op het gebied van datawetenschap, organische synthese en geavanceerde meettechnologieën.

Yoshida merkt op dat er nog veel aspecten moeten worden onderzocht, zoals het "trainen" van rekensystemen om met beperkte gegevens te werken door meer geschikte descriptoren toe te voegen. "Machineleren voor het ontwerpen van polymeren of zachte materialen is een uitdagend maar veelbelovend gebied omdat deze materialen eigenschappen hebben die verschillen van metalen en keramiek, en zijn nog niet volledig voorspeld door de bestaande theorieën, " hij zegt.

De studie is een startpunt voor de ontdekking van andere innovatieve materialen, zoals Morikawa toevoegt:"We willen proberen een ML-gestuurd computersysteem met hoge doorvoer te creëren om zachte materialen van de volgende generatie te ontwerpen voor toepassingen die verder gaan dan het 5G-tijdperk. Via ons project, we willen niet alleen de ontwikkeling van materiaalinformatica nastreven, maar ook bijdragen aan fundamentele vooruitgang van materiaalwetenschap, vooral op het gebied van fonon-engineering."