Desarrollado ‘An AlphaFold para materiales’

AlphaFold es un sistema de IA de Google DeepMind que predice la estructura de las proteínas. Al igual que las proteínas, necesitamos conocer la estructura de un material para predecir sus propiedades. Lo que necesitamos es un AlphaFold para materiales.

Un programa de IA creado por nanoingenieros de la Escuela de Ingeniería Jacobs de la Universidad de California en San Diego puede identificar casi instantáneamente la estructura y las características dinámicas de cualquier material, ya sea nuevo o existente.

El sistema, conocido como M3GNet, se utilizó para crear matterverse.ai, una biblioteca de más de 31 millones de materiales que aún no han sido sintetizados pero cuyas características han sido predichas por algoritmos de aprendizaje automático. Matterverse.ai facilita la búsqueda de nuevos materiales tecnológicos con características extraordinarias.

Con el fin de encontrar electrodos y electrolitos más seguros y con mayor densidad de energía para baterías recargables de iones de litio, el equipo de M3GNet, dirigido por el profesor de nanoingeniería de UC San Diego, Shyue Ping Ong, combina matterverse.ai y las nuevas capacidades de M3GNet. El trabajo ha sido detallado en un estudio publicado en Naturaleza Ciencias Computacionales Este Dia.

La disposición de los átomos en una sustancia determina sus cualidades. Sin embargo, los métodos actualmente en uso para lograr dichos arreglos son costosos o ineficaces por varias razones.

“Al igual que las proteínas, necesitamos conocer la estructura de un material para predecir sus propiedades”. añade Ong. “Lo que necesitamos es un AlphaFold para materiales”.

AlphaFold es un sistema de IA de Google DeepMind que predice la estructura de las proteínas. Ong y sus colegas combinaron redes neuronales gráficas con interacciones de muchos cuerpos para crear una arquitectura de aprendizaje profundo que opera de manera uniforme y precisa en todos los elementos de la tabla periódica para crear el equivalente de los materiales.

La arquitectura del modelo comienza con un gráfico de posición incluida y luego pasa por un proceso de caracterización, seguido de bloques principales y el módulo de lectura con salidas de energía, fuerza y ​​tensión. El proceso de caracterización consiste en el caracterizador gráfico y el módulo de cálculo de muchos cuerpos. En el generador de características del gráfico, el número atómico de los elementos se incrustó en un espacio de características continuo que se puede aprender, y las distancias de los enlaces de pares se expandieron en un conjunto de bases con valores y derivadas de hasta segundo orden que van a cero en el límite. El módulo de cálculo de muchos cuerpos calcula los índices atómicos de interacción de tres y muchos cuerpos y los ángulos asociados. El bloque principal consta de dos pasos principales, a saber, el módulo de enlace de muchos cuerpos y la convolución gráfica estándar. El paso de muchos cuerpos a enlace calcula la nueva información de enlace eij considerando el entorno de enlace completo Ni del átomo i a través de ángulos de muchos cuerpos como θjik, τkijl, etc., y la longitud del enlace rik,rij,ril, etc. la convolución gráfica estándar actualiza el enlace, el átomo y la información de estado opcional de forma iterativa. Durante la etapa de lectura, la información del átomo en el gráfico se pasó a un MLP controlado para obtener la energía atómica, que se suma a la energía total. Las derivadas de la energía total dan resultados de fuerza y ​​tensión.

“Los gráficos matemáticos son representaciones realmente naturales de una colección de átomos”, agrega el primer autor Chi Chen. “Usando gráficos, podemos representar toda la complejidad de los materiales sin estar sujetos a la explosión combinatoria de términos en los formalismos tradicionales”.

Los investigadores utilizaron la enorme base de datos de materiales, energía, presiones y tensiones reunidas en el Materials Project durante la última década para entrenar su modelo. El resultado es el potencial interatómico (IAP) de M3GNet, que puede calcular las energías y fuerzas de cualquier conjunto de átomos. Matterverse.ai se creó realizando sustituciones elementales combinatorias en más de 5000 prototipos estructurales de la base de datos de estructuras cristalinas inorgánicas (ICSD). Para la predicción de propiedades, se empleó M3GNet IAP para crear la estructura cristalina de equilibrio, un proceso conocido como “relajación”.

Más de un millón de los 31 millones de materiales de matterverse.ai son teóricamente estables. Utilizando un método de fidelidad múltiple, previamente creadoOng y sus colegas quieren aumentar significativamente no solo la cantidad de materiales, sino también la cantidad de características predichas por ML, incluidas cualidades de alto valor con volúmenes de datos modestos.

El M3GNet IAP tiene varios usos en simulaciones dinámicas de materiales y predicciones de propiedades además de relajaciones estructurales.

“Por ejemplo, a menudo nos interesa saber qué tan rápido se difunden los iones de litio en un electrodo o electrolito de una batería de iones de litio. Cuanto más rápida sea la difusión, más rápido podrá cargar o descargar una batería”, añade Ong. “Hemos demostrado que M3GNet IAP se puede utilizar para predecir la conductividad de litio de un material con buena precisión. Realmente creemos que la arquitectura M3GNet es una herramienta transformadora que puede ampliar en gran medida nuestra capacidad para explorar nuevas estructuras y químicas de materiales”.

El equipo de M3GNet ha hecho que el marco esté disponible en Github como código Python de código abierto para alentar a más personas a utilizar M3GNet. Desde la publicación de la versión preliminar en Arxiv en febrero de 2022, el equipo ha atraído la atención tanto de investigadores académicos como industriales. los M3GNet IAP se incluirá como herramienta en el software comercial de modelado de materiales, según los planes.


Source: Revyuh by www.revyuh.com.

*The article has been translated based on the content of Revyuh by www.revyuh.com. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!