Descubrimiento de materiales asistido por aprendizaje automático utilizando experimentos fallidos | JoVE Visualize

Área de la Ciencia:

Ciencias de los materiales
Química inorgánica
Aplicaciones de aprendizaje automático

Sus antecedentes:

Los materiales híbridos inorgánicos-orgánicos, incluidos los marcos metálico-orgánicos (MOF) y las perovskitas, se sintetizan mediante métodos hidrotermales y solvotermales.
Los mecanismos de formación de estos materiales no se comprenden completamente, lo que lleva a confiar en la síntesis exploratoria.
Los enfoques basados en datos y simulación ofrecen alternativas al ensayo y error experimental en el descubrimiento de materiales.

Objetivo del estudio:

Desarrollar un modelo de aprendizaje automático para predecir los resultados de la cristalización de selenitas de vanadio templadas.
Para utilizar los datos históricos de las reacciones "oscuras" (síntesis fallidas) para entrenar un modelo predictivo.
Identificar nuevas condiciones para la formación exitosa de materiales inorgánicos con plantilla orgánica.

Principales métodos:

Datos recogidos de cuadernos de laboratorio archivados que detallan las síntesis hidrotermales fallidas ("reacciones oscuras").
Datos de cuaderno sin procesar aumentados con descripciones de propiedades físico-químicas utilizando la quimioinformática.
Entrenó un modelo de aprendizaje automático en el conjunto de datos combinado para predecir el éxito de la reacción.

Principales resultados:

El modelo de aprendizaje automático predijo con éxito las condiciones para la formación de nuevos productos inorgánicos con plantillas orgánicas con una tasa de éxito del 89%.
El modelo superó a las estrategias humanas tradicionales para predecir los resultados exitosos de la síntesis hidrotermal.
La inversión del modelo proporcionó nuevas hipótesis con respecto a las condiciones favorables para la formación de productos.

Conclusiones:

El aprendizaje automático, entrenado en datos de síntesis históricos, es una herramienta poderosa para acelerar el descubrimiento de materiales híbridos inorgánicos-orgánicos.
Este enfoque mejora significativamente la eficiencia y la tasa de éxito del descubrimiento de nuevos materiales en comparación con los métodos convencionales.
El modelo predictivo no solo guía la síntesis, sino que también genera una nueva comprensión científica de la formación de materiales.