Un groupe de recherche conjoint comprenant Ryo Yoshida (Professeur et Directeur du Data Science Center for Creative Design and Manufacturing à l'Institute of Statistical Mathematics [ISM], Organisation de la recherche de l'information et des systèmes), Junko Morikawa (Professeur à l'École de technologie des matériaux et de la chimie, Institut de technologie de Tokyo [Tokyo Tech]), et Yibin Xu (chef de groupe de la gestion thermique et du groupe des matériaux thermoélectriques, Centre de recherche sur les matériaux par l'intégration de l'information, Division Recherche et Services des Données Matériaux et Système Intégré [MaDIS], NIMS) a démontré l'application prometteuse de l'apprentissage automatique (ML) - une forme d'IA qui permet aux ordinateurs d'"apprendre" à partir de données données - pour découvrir des matériaux innovants.

Rapporter leurs découvertes dans la revue en libre accès Matériaux de calcul npj , les chercheurs montrent que leur méthode ML, impliquant « l'apprentissage par transfert, " permet la découverte de matériaux avec les propriétés souhaitées, même à partir d'un ensemble de données trop petit.

L'étude s'est appuyée sur un ensemble de données sur les propriétés des polymères de PoLyInfo, la plus grande base de données de polymères au monde hébergée au NIMS. Malgré sa taille, PoLyInfo dispose d'une quantité limitée de données sur les propriétés de transfert de chaleur des polymères. Pour prédire les propriétés de transfert de chaleur à partir des données limitées données, Les modèles ML sur les propriétés proxy ont été pré-formés lorsque des données suffisantes étaient disponibles sur les tâches associées ; ces modèles pré-entraînés ont capturé des caractéristiques communes pertinentes pour la tâche cible. La réutilisation de ces types de fonctionnalités acquises par machine sur la tâche cible a donné des performances de prédiction exceptionnelles, même avec des ensembles de données extrêmement petits, un peu comme le travail d'experts humains hautement expérimentés en ce qui concerne les inférences rationnelles, même pour des tâches considérablement moins expérimentées. L'équipe a combiné ce modèle avec un algorithme ML spécialement conçu pour la conception moléculaire computationnelle, qui s'appelle l'algorithme iQSPR précédemment développé par Yoshida et ses collègues. L'application de cette technique a permis d'identifier des milliers de polymères « virtuels » prometteurs.

De ce grand bassin de candidats, trois polymères ont été sélectionnés en fonction de leur facilité de synthèse et de traitement. Les tests ont confirmé que les nouveaux polymères ont une conductivité thermique élevée allant jusqu'à 0,41 watts par mètre-Kelvin (W/mK). Ce chiffre est 80 pour cent plus élevé que celui des polyimides typiques, un groupe de polymères couramment utilisés qui ont été produits en série depuis les années 1950 pour des applications allant des piles à combustible aux ustensiles de cuisine.

En vérifiant les propriétés de transfert de chaleur des polymères conçus par calcul, l'étude représente une percée clé pour rapide, rentable, Méthodes prises en charge par ML pour la conception de matériaux. Il démontre également l'expertise combinée de l'équipe en science des données, synthèse organique et technologies de mesure avancées.

Yoshida commente que de nombreux aspects restent à explorer, tels que les systèmes de calcul "d'entraînement" pour travailler avec des données limitées en ajoutant des descripteurs plus appropriés. « L'apprentissage automatique pour la conception de polymères ou de matériaux souples est un domaine difficile mais prometteur car ces matériaux ont des propriétés différentes de celles des métaux et des céramiques, et ne sont pas encore totalement prédits par les théories existantes, " il dit.

L'étude est un point de départ pour la découverte d'autres matériaux innovants, comme l'ajoute Morikawa :« Nous aimerions essayer de créer un système de calcul à haut débit basé sur le ML pour concevoir des matériaux souples de nouvelle génération pour des applications allant au-delà de l'ère 5G. Grâce à notre projet, nous visons non seulement à poursuivre le développement de l'informatique des matériaux, mais aussi à contribuer à l'avancement fondamental de la science des matériaux, en particulier dans le domaine de l'ingénierie des phonons."