En la ciencia de materiales, los materiales a menudo se clasifican en función de factores que los definen, como su composición elemental o estructura cristalina. Esta clasificación es crucial para el avance del descubrimiento de materiales, ya que permite a los investigadores identificar clases prometedoras y explorar otras nuevas con funciones y propiedades similares. uno reciente Sistema inteligente avanzadoEl estudio, dirigido por el investigador del Instituto de Tecnología de Tokio, Nobuya Sato, y el profesor asistente Akira Takahashi, desarrolló una nueva técnica de agrupamiento impulsada por el aprendizaje automático. Esta técnica agrupa materiales similares considerando tanto sus propiedades básicas como sus propiedades objetivo.
Los avances en el aprendizaje automático han hecho que el proceso de clasificación sea significativamente menos tedioso y también han abierto formas efectivas de predecir elementos con propiedades interesantes basadas en propiedades fundamentales de composición química y estructura cristalina. El análisis de conglomerados, una técnica de aprendizaje automático comúnmente utilizada, utiliza estas características básicas no sólo para clasificar materiales y resumir similitudes entre ellos, sino también para proporcionar información sobre las relaciones entre materiales que pertenecen al mismo grupo. Aunque esto representa un progreso significativo hacia el descubrimiento de nuevos materiales con funcionalidades únicas, las técnicas de agrupamiento convencionales a menudo no consideran las propiedades del material objetivo, como la banda prohibida y la constante dieléctrica, que están relacionadas con estas propiedades fundamentales.
Pero ¿por qué es importante incluir características objetivo para el análisis del grupo de instrumentos?
Takahashi explica: “Si intentamos clasificar los semiconductores según el ancho de la banda prohibida e investigamos las propiedades químicas de las categorías correspondientes, analizar solo las propiedades objetivo no proporcionará una imagen completa. La agrupación en términos de banda prohibida puede recolectar materiales. En un grupo donde algunas brechas están determinadas por la electronegatividad y, a la inversa, solo se utilizan características básicas que consideran la relación entre los elementos del grupo, las características básicas y las características objetivo”.
Para garantizar la inclusión simultánea de características de referencia y características objetivo, los investigadores ingresan datos posteriores en el modelo de agrupación mediante regresión de bosque aleatorio (RF), un algoritmo de aprendizaje supervisado que aprende las relaciones entre entradas y salidas para mejorarse. Los investigadores entrenaron modelos de regresión de RF para predecir propiedades objetivo determinadas. Después de esto, las características fundamentales se transformaron en vectores z: información basada en el camino tomado por el modelo de RF. Y finalmente, se realizó un análisis de conglomerados en los vectores z transformados.
Permite a los investigadores clasificar más de 1.000 óxidos en grupos de elementos en función de sus propiedades básicas, como la composición y la estructura cristalina, así como propiedades objetivo como la energía de la estructura, la banda prohibida y la constante dieléctrica electrónica. Aunque este estudio solo se centra en el caso de propiedades de un solo objetivo, los investigadores sugieren que esta nueva técnica se puede extender a la agrupación de elementos en función de múltiples propiedades de objetivo. “Nuestro enfoque proporciona un enfoque único para la agrupación que enfatiza la comprensión y el aprendizaje de las relaciones entre las propiedades objetivo y las propiedades fundamentales, proporcionando así factores clave para grupos de materiales prometedores inesperados y funciones de materiales deseadas, y acelerando el descubrimiento de nuevos materiales con propiedades interesantes”. concluye Takahashi.