Un modelo de base de datos eficiente para materiales porosos basado en el aprendizaje supervisado guiado por expertos

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• Química computacional es la química computacional.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• Los modelos de fundación en la ciencia de los materiales requieren datos de capacitación extensos y costosos.
• El conocimiento físico existente (por ejemplo, campos de fuerza molecular) está subutilizado en los modelos actuales.

Objetivo del estudio:

• Demostrar cómo el conocimiento experto puede supervisar la capacitación previa, reduciendo los requisitos de datos para los modelos de base.
• Desarrollar un modelo básico para materiales porosos que integre efectivamente la información estructural y energética.

Principales métodos:

• La base de la superficie de energía potencial desarrollada (PES) funciona como descriptores unificados para las interacciones huésped-anfitrión.
• Diseñó una arquitectura multimodal para fusionar la estructura del material y la información PES.
• La capacitación previa de los empleados se centró en el aprendizaje integral de características geométricas a través de escalas espaciales.

Principales resultados:

• Se introdujo SpbNet, un modelo básico para materiales porosos entrenados bajo condiciones de datos limitados.
• SpbNet logró un rendimiento superior en más de 50 tareas posteriores (adsorción, separación, propiedades intrínsecas) en comparación con los modelos entrenados en conjuntos de datos 20 veces más grandes.
• Demostró una reducción significativa de errores (más del 20%) y una fuerte generalización en diversos materiales porosos (MOF, COF, zeolitas).

Conclusiones:

• La supervisión del conocimiento experto es una estrategia viable para reducir drásticamente los requisitos de datos para los modelos de base en la ciencia de los materiales.
• SpbNet ofrece un enfoque potente y eficiente en datos para predecir las propiedades de los materiales porosos.
• Las capacidades de generalización del modelo resaltan su potencial para amplias aplicaciones en el descubrimiento y diseño de materiales.