El aprendizaje automático impulsa la ciencia de los materiales y la búsqueda en espacios continuos de acción

Usando recursos computacionales del Centro Nacional de Computación Científica de Investigación de Energía (NERSC) en el Laboratorio Nacional Lawrence Berkeley (Berkeley Lab), los investigadores del Laboratorio Nacional Argonne han podido investigar cuestiones importantes de ciencia de materiales y demostrar avances en el uso del aprendizaje automático para resolver problemas de búsqueda difíciles. .

Al adaptar un algoritmo de aprendizaje automático de juegos de mesa como AlphaGo, los investigadores desarrollaron campos de fuerza para nanoclusters de 54 elementos en la tabla periódica, un salto dramático en la comprensión de sus propiedades únicas y probar el concepto de su método de búsqueda. El equipo publicó sus hallazgos en Nature Communications en enero.

Dependiendo de su escala (sistemas a granel de más de 100 nanómetros versus nanoclusters de menos de 100 nanómetros), los materiales pueden exhibir propiedades dramáticamente diferentes, incluidas propiedades ópticas y magnéticas, niveles de energía discretos y fotoluminiscencia mejorada. Estas propiedades pueden tener nuevas aplicaciones científicas e industriales, y los científicos pueden aprender sobre ellas mediante el desarrollo de campos de fuerza (modelos informáticos que estiman las energías potenciales entre átomos en una molécula y entre moléculas) para cada elemento o compuesto. Pero los científicos de materiales pueden pasar años usando métodos físicos tradicionales para estudiar las estructuras y fuerzas entre átomos en nanoclusters de un solo elemento.

Sigue leyendo…