Een machine learning-algoritme dat de samenstelling van trend-tartterende nieuwe materialen kan voorspellen, is ontwikkeld door RIKEN-chemici1. Het zal nuttig zijn voor het vinden van materialen voor toepassingen waarbij er een compromis bestaat tussen twee of meer gewenste eigenschappen.

Kunstmatige intelligentie heeft een groot potentieel om wetenschappers te helpen nieuwe materialen met gewenste eigenschappen te vinden. Een machine learning-algoritme dat is getraind met de samenstelling en eigenschappen van bekende materialen, kan de eigenschappen van onbekende materialen voorspellen, bespaart veel tijd in het lab.

Maar het ontdekken van nieuwe materialen voor toepassingen kan lastig zijn, omdat er vaak een afweging is tussen twee of meer materiaaleigenschappen. Een voorbeeld is organische materialen voor organische zonnecellen, waar het gewenst is om zowel de spanning als de stroom te maximaliseren, merkt Kei Terayama op, die bij het RIKEN Center for Advanced Intelligence Project was en nu aan de Yokohama City University. "Er is een wisselwerking tussen spanning en stroom:een materiaal dat een hoge spanning vertoont, heeft een lage stroomsterkte, terwijl iemand met een hoge stroom een ​​lage spanning zal hebben."

Materiaalwetenschappers willen dus vaak "out-of-trend" materialen vinden die tegen de gebruikelijke afweging ingaan. Maar helaas zijn conventionele algoritmen voor machinaal leren veel beter in het spotten van trends dan in het ontdekken van materialen die daar tegenin gaan.

Nutsvoorzieningen, Terayama en zijn collega's hebben een algoritme voor machine learning ontwikkeld, BLOX (BoundLess Objective gratis eXploration), die out-of-trend materialen kan lokaliseren.

Het team demonstreerde de kracht van het algoritme door het te gebruiken om acht out-of-trend moleculen met een hoge mate van fotoactiviteit te identificeren uit een database voor het ontdekken van geneesmiddelen. De eigenschappen van deze moleculen kwamen goed overeen met die voorspeld door het algoritme. "We maakten ons zorgen over de nauwkeurigheid van de berekening, maar waren verheugd om te zien dat de berekening correct was, ", zegt Terayama. "Dit toont het potentieel aan van computergestuurde materiaalontwikkeling."

BLOX gebruikt machine learning om een ​​voorspellingsmodel te genereren voor belangrijke materiaaleigenschappen. Het doet dit door gegevens van willekeurig geselecteerde materialen uit een materialendatabase te combineren met experimentele of berekeningsresultaten. BLOX gebruikt het model vervolgens om de eigenschappen van een nieuwe set materialen te voorspellen. Van deze nieuwe materialen, BLOX identificeert degene die het meest afwijkt van de totale verdeling. De eigenschappen van dat materiaal worden bepaald door experimenten of berekeningen en vervolgens gebruikt om het machine learning-model bij te werken, en de cyclus wordt herhaald.

belangrijk, in tegenstelling tot veel eerdere algoritmen, BLOX legt geen beperkingen op aan het scala aan materiaalstructuren en composities dat kan worden verkend. Het kan dus heinde en verre gaan in zijn zoektocht naar afgelegen materialen.

Het team heeft BLOX gratis online beschikbaar gemaakt.