L'ingegneria delle scienze materiali è alla base dell'intersezione della fisica, della chimica e dell'innovazione industriale. La capacità di prevedere le proprietà materiali è esattamente fondamentale per progettare aerei più leggeri, leghe più forti, batterie più efficienti e impianti medici durevoli. Gli approcci tradizionali si basano pesantemente su esperimenti fisici e simulazioni computazionali, entrambi che possono essere costosi e tempo-intensivi.

Il bisogno di accurate Predazioni di Proprietà

Da aerospaziale a elettronica di consumo, ogni applicazione avanzata dipende da materiali con caratteristiche precise. Gli ingegneri richiedono dati affidabili sulla resistenza meccanica, sulla conducibilità termica, sulla resistenza elettrica e sulla stabilità chimica. Generando tali dati attraverso metodi convenzionali significano lunghi esperimenti di laboratorio o simulazioni computazionali utilizzando la teoria funzionale della densità (DFT) o la dinamica molecolare. Queste simulazioni, mentre accurate, sono computazionalmente impegnative anche per i piccoli sistemi.

Fondamenti di apprendimento profondo per la scienza dei materiali

I modelli di apprendimento approfondito sfruttano reti neurali multistrato per catturare relazioni complesse e non lineari tra le caratteristiche di input e le proprietà di destinazione. Nel contesto dei materiali, gli input possono spaziare da semplici composizioni elementali a coordinate atomiche complete e strutture di legame. Il potere di deep learning sta nella sua capacità di estrarre automaticamente le rappresentazioni gerarchiche, eliminando la necessità di descrittori artigianali.

Architettura della rete neurale

Diversi architetture di apprendimento profondo hanno dimostrato efficace per la previsione della proprietà dei materiali:

  • Reti completamente collegate (FCNs)[[]: Adatto per dati tabulari come vettori di funzionalità basati sulla composizione.
  • Reti neurali convoluzionali (CNNs)[]: Applicate alle strutture periodiche di cristallo rappresentate come griglie 3D o grafici.
  • Graph Neural Networks (GNNs): Una forma naturale per i materiali, in quanto i cristalli possono essere rappresentati come grafici con atomi come nodi e legami come bordi. Le GNN possono imparare dalla topologia e sono invarianti alle operazioni di simmetria.
  • Trasformer e Mechanisms di attenzione[[]: Recentemente adattati per i materiali, questi modelli possono catturare interazioni a lungo raggio e scalare a grandi dataset.

Formazione su dati materiali

I dati di apprendimento approfonditi per i materiali richiedono grandi e di alta qualità di proprietà conosciute. I repository pubblici come il Materials Project[], il NIST Interatomic Potentials Repository, e le particolari OpenKIM

Sfide di dati in Scienze dei materiali

A differenza di domini come la visione del computer, dove milioni di immagini etichettate sono facili da ottenere, i dataset dei materiali sono spesso radi ed eterogenei. Molte proprietà richiedono costosi calcoli DFT che non possono essere scalati indefinitamente. Inoltre, i dati sperimentali vengono raccolti in condizioni variabili, introducendo rumore e incongruenze.

  • Aggravimento dei dati[[]]: Generando strutture in cristallo sintetico applicando operazioni di simmetria o perturbando parametri di reticolo.
  • Active learning[]: selezionando in modo errato i punti di dati più informativi da etichettare, riducendo il numero di calcoli costosi necessari.
  • Transfer learning[[]: Pre-formazione di un modello su un dataset di grande origine (ad esempio, energie di formazione) e fine-tuning su un set di dati più piccolo (ad esempio, spazi di banda).

Inoltre, gli sforzi per standardizzare i formati di dati e i metadati sono in corso attraverso iniziative come il [[]NOMAD Laboratory[[]]. Poiché le pratiche scientifiche aperte ottengono una trazione, la gamma dei dati di formazione disponibili continua a crescere, consentendo modelli più robusti e generalizzabili.

Applicazioni chiave di apprendimento profondo nella Predizione della proprietà dei materiali

L'apprendimento approfondito è stato applicato a una vasta gamma di proprietà materiali, dalle quantità fondamentali di livello quantistico agli indicatori di performance macroscopici.

Proprietà meccaniche

La predisposizione di moduli elastici, la resistenza alla resa e la durezza è fondamentale per i materiali strutturali. I modelli di apprendimento intensivo formati su dati di composizione e struttura in cristallo possono stimare queste proprietà in pochi minuti, sostituendo i giorni di test. Ad esempio, le GNN possono prevedere il modulo in massa di cristalli cubici con errori assoluti medi vicino alla precisione DFT. Questa capacità consente la proiezione ad alta produttività di nuove leghe per parti automobilistiche leggere o strumenti di taglio più resistenti.

Proprietà elettroniche e termiche

Il divario tra bande, la costante dielettrica e la conducibilità termica sono parametri chiave per i semiconduttori e i materiali termoelettrici. I modelli di apprendimento approfonditi hanno superato i tradizionali descrittori come la scala di elettronegatività di Pauling nella previsione di lacune della banda da sola. La conducibilità termica, che dipende dalle interazioni fononiche, è stata modellata utilizzando approcci basati sui grafi che rappresentano le dinamiche reticee.

Reattività chimica e stabilità

Capire come i materiali si degradano o reagiscono è essenziale per i catalizzatori e gli elettrodi della batteria. L'apprendimento approfondito può prevedere le energie di assorbimento sulle superfici catalizzanti imparando da migliaia di calcoli DFT. I modelli come il CGCNN] (Crystal Graph Convolutional Neural Network) sono stati utilizzati per prevedere le energie di formazione e la stabilità attraverso il database della struttura inorganica di cristallo.

Studi di casi

Diversi gruppi di ricerca hanno pubblicato notevoli successi. Un esempio è la scoperta di nuovi materiali per catodo batteria agli ioni di litio. I ricercatori a Stanford e MIT hanno usato deep learning per proiettare oltre 100.000 composizioni per candidati per alta tensione e stabilità, restringendo fino a una manciata che sono stati successivamente confermati sperimentalmente. Un altro caso è la previsione di nuovi materiali superduci: una GNN addestrata sui composti binari esistenti predice tetrabori di tungsteno come un materiale ultracompressore.

Nel regno delle leghe ad alto centro, l'apprendimento profondo ha permesso una rapida predizione delle regole di formazione di fase, guidando il design delle leghe con resistenza eccezionale e resistenza alla corrosione.

Sfide superanti: Interpretabilità e Scarsità di dati

Nonostante il suo potere predittivo, l'apprendimento profondo è spesso criticato come una scatola nera. In scienza dei materiali, comprensione [ perché[]] un modello rende una certa previsione è vitale per ottenere la comprensione scientifica e la fiducia degli edifici.

Una soluzione promettente è l'uso di modelli generativi, come autoencoders variazionali e reti adversariali generative, per proporre nuove strutture a cristalli ipotetici, che possono essere valutate da modelli di apprendimento approfonditi surrogate, che permettono di scoprire le condotte virtuali. Un altro approccio consiste nell'incorporare i vincoli fisici direttamente nella funzione di perdita, come la conservazione dell'energia o l'invarianza simmetria, che riduce la quantità di dati di formazione.

Le direzioni e l'integrazione future

Il campo si sta muovendo verso piattaforme integrate che combinano l'apprendimento profondo con il calcolo ad alto rendimento e la sperimentazione automatizzata. Tali laboratori "auto-guida" possono progettare, sintetizzare e caratterizzare autonomamente i materiali. L'apprendimento profondo serve come il cervello che analizza i risultati e suggerisce il prossimo esperimento. Questo approccio a ciclo chiuso ha già dimostrato il successo nell'ottimizzazione dei materiali e dei fotocatalisti di emissione della luce.

Un'altra frontiera è la modellazione multi-fidelity, dove l'apprendimento profondo è formato sia su bassa fedeltà (cheap ma meno accurato) e dati ad alta fedeltà (costoso ma accurato) che su questo può ridurre drasticamente i costi di previsione della proprietà, mantenendo l'accuratezza. Inoltre, la quantificazione dell'incertezza nei modelli di apprendimento profondo sta guadagnando attenzione, poiché gli ingegneri dei materiali hanno bisogno di intervalli di fiducia per applicazioni critiche come componenti aerospaziali.

Lo sviluppo di dataset di riferimento più grandi e diversificati e l'emergere di modelli di base per materiali, analoghi a modelli di lingua di grandi dimensioni, possono ulteriormente accelerare i progressi. Le organizzazioni come la Materials Data Facility[]] stanno rendendo disponibili tali risorse.

Conclusioni

L'apprendimento approfondito sta diventando uno strumento indispensabile nell'ingegneria delle scienze materiali, consentendo previsioni rapide e accurate delle proprietà meccaniche, elettroniche e termiche, aiuta i ricercatori a navigare nel vasto spazio di progettazione dei nuovi materiali.