Les ordinateurs occupaient des pièces entières. Aujourd'hui, un ordinateur portable de deux livres peut se glisser sans effort dans un sac à dos. Mais cela n'aurait pas été possible sans la création de nouveaux, processeurs plus petits, ce qui n'est possible qu'avec l'innovation de nouveaux matériaux.

Mais comment les scientifiques des matériaux inventent-ils réellement de nouveaux matériaux ? Par l'expérimentation, explique Sanket Deshmukh, un professeur adjoint au département de génie chimique dont les recherches informatiques récemment publiées par l'équipe pourraient grandement améliorer l'efficacité et les économies de coûts du processus de conception de matériaux.

Le laboratoire de Deshmukh, le laboratoire de conception informatique de matériaux hybrides, se consacre à la compréhension et à la simulation de la façon dont les molécules se déplacent et interagissent, ce qui est crucial pour créer un nouveau matériau.

Dans les années récentes, apprentissage automatique, un puissant sous-ensemble d'intelligence artificielle, a été utilisé par les scientifiques des matériaux pour accélérer la découverte de nouveaux matériaux grâce à des simulations informatiques. Deshmukh et son équipe ont récemment publié des recherches dans le Journal des lettres de chimie physique démonstration d'un nouveau cadre d'apprentissage automatique qui s'entraîne "à la volée, " ce qui signifie qu'il traite instantanément les données et en apprend pour accélérer le développement de modèles informatiques.

Traditionnellement, le développement de modèles informatiques est "effectué manuellement via une approche d'essais et d'erreurs, ce qui est très coûteux et inefficace, et est une tâche à forte intensité de main-d'œuvre, " expliqua Deshmukh.

« Ce nouveau cadre utilise non seulement l'apprentissage automatique d'une manière unique pour la première fois, " Deshmukh a dit, "mais cela accélère également considérablement le développement de modèles informatiques précis de matériaux."

« Nous entraînons le modèle d'apprentissage automatique de manière « inverse » en utilisant les propriétés d'un modèle obtenu à partir de simulations de dynamique moléculaire comme entrée pour le modèle d'apprentissage automatique, et en utilisant les paramètres d'entrée utilisés dans les simulations de dynamique moléculaire en tant que sortie pour le modèle d'apprentissage automatique, " a déclaré Karteek Bejagam, un chercheur post-doctoral dans le laboratoire de Deshmukh et l'un des principaux auteurs de l'étude.

Ce nouveau cadre permet aux chercheurs d'effectuer l'optimisation des modèles de calcul, à une vitesse inhabituellement plus rapide, jusqu'à ce qu'ils atteignent les propriétés souhaitées d'un nouveau matériau.

La meilleure partie? Quelle que soit la précision des prédictions des modèles d'apprentissage automatique, car ils sont testés à la volée, ces modèles n'ont pas d'impact négatif sur l'optimisation du modèle, si c'est inexact. "Ça ne peut pas faire de mal, ça ne peut qu'aider, " a déclaré Samrendra Singh, un chercheur invité dans le laboratoire de Deshmukh et un autre auteur de l'étude.

"La beauté de ce nouveau framework d'apprentissage automatique est qu'il est très général, ce qui signifie que le modèle d'apprentissage automatique peut être intégré à n'importe quel algorithme d'optimisation et technique de calcul pour accélérer la conception des matériaux, " a déclaré Singh.

La publication, dirigé par Bejagam et Singh et avec la collaboration de Ph.D. en génie chimique. étudiant Yaxin An, montre l'utilisation de ce nouveau cadre en développant les modèles de deux solvants comme preuve de concept.

Le laboratoire de Deshmukh prévoit de s'appuyer sur la recherche en utilisant ce nouveau cadre basé sur l'apprentissage automatique pour développer des modèles de divers matériaux ayant des applications potentielles en biomédecine et en énergie.