Las computadoras solían ocupar habitaciones enteras. Hoy en día, una computadora portátil de dos libras puede deslizarse sin esfuerzo en una mochila. Pero eso no habría sido posible sin la creación de nuevos procesadores más pequeños, que solo son posibles con la innovación denuevos materiales
¿Pero cómo los científicos de materiales realmente inventan nuevos materiales? A través de la experimentación, explica Sanket Deshmukh, profesor asistente en el departamento de ingeniería química cuyo equipo de investigación computacional recientemente publicado podría mejorar enormemente la eficiencia y el ahorro de costos del proceso de diseño de materiales.
El laboratorio de Deshmukh, el laboratorio de Diseño Computacional de Materiales Híbridos, está dedicado a comprender y simular las formas en que las moléculas se mueven e interactúan, crucial para crear un nuevo material.
En los últimos años, el aprendizaje automático, un poderoso subconjunto de inteligencia artificial, ha sido empleado por científicos de materiales para acelerar el descubrimiento de nuevos materiales a través de simulaciones por computadora. Deshmukh y su equipo han publicado recientemente una investigación en el Revista de Cartas de Química Física demostrando un nuevo marco de aprendizaje automático que entrena "sobre la marcha", lo que significa que procesa datos instantáneamente y aprende de ellos para acelerar el desarrollo de modelos computacionales.
Tradicionalmente, el desarrollo de modelos computacionales "se lleva a cabo manualmente mediante un enfoque de prueba y error, que es muy costoso e ineficiente, y es una tarea que requiere mucha mano de obra", explicó Deshmukh.
"Este nuevo marco no solo usa el aprendizaje automático de una manera única por primera vez", dijo Deshmukh, "sino que también acelera dramáticamente el desarrollo de modelos computacionales precisos de materiales".
"Entrenamos el modelo de aprendizaje automático de manera 'inversa' usando las propiedades de un modelo obtenido de simulaciones de dinámica molecular como entrada para el modelo de aprendizaje automático, y usando los parámetros de entrada usados en simulaciones de dinámica molecular como salida parael modelo de aprendizaje automático ", dijo Karteek Bejagam, investigador postdoctoral en el laboratorio de Deshmukh y uno de los autores principales del estudio.
Este nuevo marco permite a los investigadores realizar la optimización de modelos computacionales, a una velocidad inusualmente más rápida, hasta que alcancen las propiedades deseadas de un nuevo material.
¿La mejor parte? Independientemente de cuán precisas sean las predicciones de los modelos de aprendizaje automático, ya que se prueban sobre la marcha, estos modelos no tienen un impacto negativo en la optimización del modelo, si es inexacto. "No puede dañar,solo puede ayudar ", dijo Samrendra Singh, un erudito visitante en el laboratorio de Deshmukh y otro autor del estudio.
"La belleza de este nuevo marco de aprendizaje automático es que es muy general, lo que significa que el modelo de aprendizaje automático puede integrarse con cualquier algoritmo de optimización y técnica computacional para acelerar el diseño de materiales", dijo Singh.
La publicación, dirigida por Bejagam y Singh y con la colaboración del estudiante de doctorado en ingeniería química Yaxin An, muestra el uso de este nuevo marco desarrollando los modelos de dos solventes como prueba de concepto.
El plan de laboratorio de Deshmukh para construir sobre la investigación mediante el uso de este novedoso marco basado en aprendizaje automático para desarrollar modelos de diversos materiales que tienen aplicaciones potenciales de biomedicina y energía.
Fuente de la historia :
Materiales proporcionados por Virginia Tech . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :