La inteligencia artificial hace avanzar el modo en que los científicos exploran los materiales. Investigadores del Laboratorio Ames y de la Universidad de Texas A&M entrenaron un modelo de aprendizaje automático (ML) para evaluar la estabilidad de los compuestos de tierras raras.

Este trabajo fue apoyado por el programa de Investigación y Desarrollo Dirigido por el Laboratorio (LDRD) del Laboratorio Ames. El marco que desarrollaron se basa en los métodos actuales más avanzados para experimentar con compuestos y comprender las inestabilidades químicas.

El laboratorio Ames ha sido líder en la investigación de tierras raras desde mediados del siglo XX.

Los elementos de tierras raras tienen una amplia gama de usos, como las tecnologías de energía limpia, el almacenamiento de energía y los imanes permanentes. El descubrimiento de nuevos compuestos de tierras raras forma parte de un esfuerzo mayor de los científicos por ampliar el acceso a estos materiales.

El presente enfoque se basa en el aprendizaje automático (ML), una forma de inteligencia artificial (IA), que se rige por algoritmos informáticos que mejoran mediante el uso de datos y la experiencia. Los investigadores utilizaron la base de datos actualizada de Tierras Raras del Laboratorio Ames (RIC 2.0) y la teoría funcional de la densidad (DFT) de alto rendimiento para construir los cimientos de su modelo de ML.

El cribado de alto rendimiento es un esquema computacional que permite a un investigador probar cientos de modelos rápidamente. La DFT es un método de mecánica cuántica utilizado para investigar las propiedades termodinámicas y electrónicas de muchos sistemas corporales. A partir de esta recopilación de información, el modelo ML desarrollado utiliza el aprendizaje por regresión para evaluar la estabilidad de fase de los compuestos.

Tyler Del Rose, estudiante de posgrado de la Universidad Estatal de Iowa, llevó a cabo gran parte de la investigación fundacional necesaria para la base de datos, escribiendo algoritmos para buscar en la web información que complementara la base de datos y los cálculos de DFT. También trabajó en la validación experimental de las predicciones de la IA y ayudó a mejorar los modelos basados en ML asegurándose de que son representativos de la realidad.

«El aprendizaje automático es muy importante en este caso porque cuando hablamos de nuevas composiciones, los materiales ordenados son muy conocidos por todos en la comunidad de las tierras raras», dijo el científico del laboratorio Ames Prashant Singh, que dirigió el esfuerzo de DFT más aprendizaje automático con Guillermo Vázquez y Raymundo Arroyave. «Sin embargo, cuando se añade desorden a los materiales conocidos, es muy diferente. El número de composiciones se vuelve significativamente mayor, a menudo miles o millones, y no puedes investigar todas las combinaciones posibles utilizando la teoría o los experimentos.»

Singh explicó que el análisis de los materiales se basa en un bucle de retroalimentación discreto en el que el modelo AI/ML se actualiza utilizando una nueva base de datos DFT basada en la información estructural y de fase en tiempo real obtenida de nuestros experimentos. Este proceso garantiza que la información se transmita de un paso a otro y reduce la posibilidad de cometer errores.

Yaroslav Mudryk, supervisor del proyecto, dijo que el marco se diseñó para explorar compuestos de tierras raras por su importancia tecnológica, pero su aplicación no se limita a la investigación de las tierras raras. El mismo enfoque puede utilizarse para entrenar un modelo de ML que permita predecir las propiedades magnéticas de los compuestos, los controles de procesos para la fabricación transformadora y optimizar los comportamientos mecánicos.

«En realidad, no está pensado para descubrir un compuesto concreto», dijo Mudryk. «Se trataba de saber cómo diseñar un nuevo enfoque o una nueva herramienta para el descubrimiento y la predicción de compuestos de tierras raras. Y eso es lo que hicimos».

Mudryk subrayó que este trabajo es sólo el principio. El equipo está explorando todo el potencial de este método, pero son optimistas de que habrá una amplia gama de aplicaciones para el marco en el futuro.

Esta investigación se analiza con más detalle en el artículo «Machine-learning enabled thermodynamic model for the design of new rare-earth compounds» (Modelo termodinámico basado en el aprendizaje automático para el diseño de nuevos compuestos de tierras raras), escrito por P. Singh, T. Del Rose, G. Vazquez, R. Arroyave e Y. Mudryk y publicado en Acta Materialia.