En busca de lo excepcional: direcciones de investigación para el aprendizaje automático en química y ciencias de los...

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• Las moléculas y materiales excepcionales ofrecen valor tecnológico y conocimientos fundamentales, a menudo derivados de fenómenos o composiciones novedosos.
• Históricamente, el descubrimiento se basó en la casualidad, pero el aprendizaje automático (ML) y la automatización se proponen ahora para acelerar la identificación y la síntesis.
• Los métodos actuales de aprendizaje automático basados en datos sobresalen en la optimización, pero luchan por descubrir materiales verdaderamente novedosos y excepcionales.

Objetivo del estudio:

• Argumentar que los enfoques ML convencionales son insuficientes para descubrir nuevos materiales excepcionales.
• Proponer un cambio en la metodología de ML hacia la identificación de valores atípicos en lugar de optimizar las propiedades existentes.
• Proporcionar recomendaciones viables para el desarrollo de métodos ML capaces de descubrir materiales excepcionales.

Principales métodos:

• Análisis de los estudios de caso de los superconductores de óxido de alta temperatura (alta Tc) y de los materiales superduros.
• Crítica de los enfoques tradicionales de ML en el contexto del descubrimiento de materiales.
• Formulación de seis recomendaciones para avanzar en el descubrimiento de materiales excepcionales basado en el aprendizaje automático.

Principales resultados:

• Demostración de los desafíos en el descubrimiento guiado por ML utilizando superconductores de óxido y materiales superduros.
• Identificación de las limitaciones de la automatización actual para descubrir materiales excepcionales.
• Propuesta de seis principios clave para el desarrollo de métodos eficaces de ML para el descubrimiento de valores atípicos.

Conclusiones:

• Los métodos ML convencionales son más adecuados para optimizar las propiedades conocidas de los materiales que para descubrir nuevos materiales excepcionales.
• Se requiere un cambio de paradigma en el aprendizaje automático, centrado en explorar los extremos y aceptar lo inesperado.
• La integración de las recomendaciones propuestas en flujos de trabajo automatizados puede permitir el descubrimiento de moléculas y materiales innovadores.