Predicción de la sintetizabilidad basada en la estructura de los cristales utilizando aprendizaje parcialmente supervisado | JoVE Visualize

Área de la Ciencia:

Ciencias de los materiales
Química computacional
Aprendizaje automático

Sus antecedentes:

La predicción de la sintetizabilidad de los materiales inorgánicos es crucial para el descubrimiento acelerado de materiales.
La estabilidad de descomposición termodinámica es un predictor común pero limitado, que a menudo produce demasiados candidatos o materiales metestables que faltan.
La sintetizabilidad del material es un fenómeno complejo influenciado por factores más allá de la estabilidad termodinámica.

Objetivo del estudio:

Desarrollar un modelo de aprendizaje automático para cuantificar la probabilidad de síntesis de materiales inorgánicos.
Mejorar la precisión de la predicción de la sintetizabilidad en comparación con los métodos termodinámicos tradicionales.
Proporcionar una métrica basada en datos para el diseño racional de materiales y reducir el espacio de exploración experimental.

Principales métodos:

Implementó un enfoque de aprendizaje parcialmente supervisado utilizando el aprendizaje positivo y sin etiquetas (PU).
Utilizó una red neuronal convolucional de gráficos como clasificador para generar puntuaciones de semejanza de cristal (CLscore).
Entrenado y validado el modelo en una gran base de datos de materiales experimentalmente reportados, incluyendo descubrimientos recientes.

Principales resultados:

El modelo logró una precisión de predicción positiva verdadera del 87.4% en un conjunto de pruebas de 9356 materiales del Proyecto de Materiales.
La validación en materiales recientemente notificados (2015-2019) mostró una tasa de positivos reales del 86,2%.
El CLscore captura motivos estructurales para la sintetización más allá de las capacidades de E_hull, con el 71% de los materiales virtuales de puntaje superior sintetizados previamente.

Conclusiones:

El modelo de aprendizaje automático desarrollado (CLscore) cuantifica efectivamente la sintetizabilidad del material.
Esta métrica basada en datos mejora significativamente la detección virtual de alto rendimiento y los modelos generativos para el descubrimiento de materiales.
El CLscore facilita un diseño de materiales más racional al reducir el espacio de búsqueda experimental.