Vea También
 |
Credit: CC0 Public Domain |
Existen oportunidades para aprovechar el ritmo continuo de las capacidades de procesamiento de la computadora, así como las técnicas de procesamiento de datos nuevas y refinadas para aquellos que deseen investigar y predecir las propiedades de los materiales de manera computacional.
El uso de técnicas de computación de Machine Learning (ML), Deep Learning (DL) y High Throughput (HT) puede proporcionar una plataforma de procesamiento de datos robusta y eficiente para la predicción y el descubrimiento de nuevos materiales.
Las técnicas de ML implican el procesamiento de grandes conjuntos de datos para generar algoritmos de modelado de alta precisión que se pueden utilizar para encontrar relaciones dentro de los datos y predecir resultados.
Las técnicas de computación HT implican agregar los resultados de cálculos que ya se han ejecutado a partir de muchas fuentes de datos dispares. Los cálculos de química cuántica y los cálculos a escala atómica a menudo consumen mucho tiempo y son costosos para la CPU, y requieren cientos de horas de tiempo de procesamiento en una supercomputadora. El uso de resultados precalculados de estas operaciones reducirá en gran medida el tiempo de procesamiento, lo que permitirá un mayor rendimiento en hardware mucho más modesto.
La combinación de ML con HT permitirá una exploración rápida y exhaustiva de las propiedades de los materiales dentro de un entorno computacional, a una escala y velocidad que simplemente no se pueden igualar en un laboratorio.
Las supercomputadoras podrían quedarse sin trabajo gracias a un conjunto de nuevos modelos de aprendizaje automático que producen resultados rápidos y precisos con una computadora portátil normal.
Investigadores del Centro ARC de Excelencia en Ciencia Exciton, con sede en la Universidad RMIT, han escrito un programa que predice la banda prohibida de los materiales, incluso para aplicaciones de energía solar, a través de un software fácil de usar y disponible de forma gratuita. La banda prohibida es una indicación crucial de cuán eficiente será un material al diseñar nuevas células solares.
Las predicciones de la banda prohibida involucran cálculos químicos cuánticos y a escala atómica y, a menudo, se realizan utilizando la teoría funcional de la densidad. Hasta ahora, este proceso ha requerido cientos de horas de costoso tiempo de procesamiento de supercomputadora, así como un software complicado y costoso.
Para abordar este problema, los investigadores entrenaron un modelo de aprendizaje automático utilizando datos generados a partir de 250.000 cálculos previos de supercomputadoras. Los resultados se han publicado en Journal of Cheminformatics.
Es significativo que, si bien el programa es capaz de incluir múltiples variables, se encontró que un solo factor, la estequiometría, contiene, en casi todos los casos, suficiente información para predecir con precisión la banda prohibida. La estequiometría son las relaciones numéricas entre los reactivos químicos y los productos, como el volumen de ingredientes en una receta para hornear un pastel.
Se necesita más trabajo para comprender completamente por qué la estequiometría por sí sola demostró ser tan útil. Pero plantea la emocionante perspectiva de que algunas aplicaciones ya no requieran largos cálculos de supercomputadoras. La red neuronal artificial que impulsa los programas de aprendizaje automático podría algún día ser reemplazada por un programa de software que realice una función similar a la teoría funcional de la densidad, aunque con mucha más simplicidad.
El autor principal, Carl Belle, dice que "si quieres hacer simulaciones pero necesitas millones de dólares en infraestructura de supercomputación detrás de ti, no puedes hacerlo. Si podemos investigar por qué la configuración estequiométrica es tan poderosa, entonces podría significa que no se necesitan supercomputadoras para seleccionar materiales candidatos, ni para simulaciones precisas. Realmente podría abrir las cosas a un grupo completamente nuevo de científicos para su uso".
El programa de aprendizaje automático no se limita a la banda prohibida. Puede usarse para predecir las propiedades de muchos otros materiales para otros contextos y ha sido desarrollado por un programador profesional, lo que lo hace útil no solo para científicos y académicos, sino también para empresas y aplicaciones corporativas.
"Está construido según los estándares de la industria y está diseñado para ser colaborativo", dijo Belle.
"El sitio web tiene una base de datos completamente relacional. Tiene millones de registros. Todo está ahí y está disponible gratuitamente para su uso. Estamos listos para comenzar".
Fuentes, créditos y referencias: