Los investigadores del Massachusetts Institute of Technology (MIT) han encontrado una manera de racionalizar el proceso de descubrimiento de nuevos materiales para aplicaciones particulares, como baterías u otros dispositivos relacionados con la energía, utilizando un sistema de aprendizaje automático.
El equipo de investigación logró encontrar en cinco semanas los ocho materiales más prometedores, de casi 3 millones de candidatos, para un sistema de almacenamiento de energía de batería de flujo. Los hallazgos se han publicado en la revista ACS Central Science.
Red neuronal avanzada de aprendizaje automático
Para predecir las propiedades de cualquiera de los millones de estos materiales se requeriría una espectroscopía que requiera mucho tiempo y recursos intensivos y otros trabajos de laboratorio, o un modelado informático altamente complejo y lento para cada posible material candidato o combinación de materiales.
Sin embargo, el profesor de Ingeniería Química del MIT, Heather Kulik, y su equipo tomaron una pequeña cantidad de diferentes materiales posibles y los usaron para mostrar una red neuronal avanzada de aprendizaje automático sobre la relación entre las composiciones químicas de los materiales y sus propiedades físicas.
El equipo de investigación utilizó un sistema de optimización iterativo, basado en el modelo frontal de Pareto, para simplificar el proceso y proporcionar resultados confiables utilizando menor número de muestras.
Materiales de la batería de flujo
El desafío que eligieron los investigadores para la prueba de concepto fueron materiales para su uso en baterías de flujo redox, un tipo de baterías grandes a escala de red que podrían desempeñar un papel importante para permitir energía limpia y renovable. Comenzaron con una lista de 3 millones de complejos de este tipo antes de reducirlos a los ocho candidatos seleccionados, junto con un conjunto de reglas de diseño que deberían permitir a los experimentadores explorar el potencial de estos candidatos y sus variaciones.
En el caso de la detección de los materiales de la batería de flujo, las características deseadas estaban en conflicto, puesto que el material óptimo tendría una alta solubilidad y una elevada densidad de energía. Pero aumentar la solubilidad tiende a disminuir la densidad de energía, y viceversa, según la investigación.
La red neuronal encontró rápidamente candidatos prometedores, y también pudo asignar niveles de confianza a sus diferentes predicciones a través de cada iteración, lo que ayudó a permitir el refinamiento de la selección de muestras en cada paso.
Según los investigadores, este método se puede utilizar en muchos contextos diferentes, por lo que tiene el potencial de transformar el aprendizaje automático, que es una actividad importante en todo el mundo.
El trabajo de investigación ha contado con el apoyo de la Oficina de Investigación Naval, la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA), el Departamento de Energía de los EE.UU., el Fondo Burroughs Wellcome y el Premio AAAS Mar ion Milligan Mason.