L’apprendimento automatico usato per creare nuovi polimeri


Un articolo pubblicato sulla rivista “npj Computational Materials” riporta i risultati dell’utilizzo di un algoritmo di apprendimento automatico (machine learning) nella ricerca di nuovi materiali. Un team di ricercatori ha usato un algoritmo specializzato nella progettazione molecolare addestrato per riconoscere candidati con certe proprietà. In questo modo hanno progettato polimeri ad alta conduttività termica, utilissimi da usare ad esempio nelle tecnologie mobili collegate al 5G.

L’utilizzo di algoritmi di apprendimento automatico è relativamente nuovo e in certi campi la sua utilità è ancora da verificare. I supercommputer odierni possono analizzare enormi quantità di dati in pochissimo tempo ma è necessario un addestramento specifico perché apprendano tutto ciò che è necessario a compiere il tipo di analisi richiesto. Nel caso della progettazione di nuovi materiali, un sistema dev’essere addestrato in modo che riconosca certe caratteristiche dei materiali che analizza.

Per affrontare questo tipo di analisi, i ricercatori hanno usato una tecnica di apprendimento automatico chiamata transfer learning, in cui la conoscenza accumulata nel corso dell’addestramento in un tipo di problema viene adattata e applicata a un altro problema diverso ma collegato. I dati iniziali riguardanti le proprietà dei polimeri sono stati presi da PoLyInfo, il più grande database di polimeri al mondo tenuto al National Institute for Materials Science (NIMS), in Giappone. I dati relativi alle proprietà di trasferimento termico sono limitate perciò è stata necessaria una fase preliminare di addestramento usando i dati esistenti per poi adattare l’addestramento ai nuovi obiettivi.

Il modello risultante è stato combinato con un algoritmo di apprendimento automatico per il progetto molecolare chiamato iQSPR, disponibile come software libero / open source sotto licenza MIT per valutare una serie di candidati e selezionare quelli ritenuti migliori rispetto alla conduttività termica. Il codice per irprodurre i risultati chiave scritto in linguaggio R è disponibile su GitHub.

Tre polimeri sono stati selezionati dai candidati in base alla facilità nella sintesi e nella lavorazione. I test su questi prodotti hanno confermato l’elevata conduttività termica prevista, fino a 0,41 Watt per metro-Kelvin (W/mK), un valore che è l’80% più elevato rispetto alle tipiche poliimmidi, un tipo di polimeri che hanno vari usi e sono prodotti fin dal 1955.

L’immagine (Cortesia npj Computational Materials, Ryo Yoshida, Junko Morikawa et al. Creative Commons Attribution 4.0 International License) mostra la struttura chimica dei tre polimeri sintetizzati (a) e i percorsi per la loro produzione (b-e).

Ryo Yoshida, uno degli autori della ricerca, ha dichiarato che ci sono aspetti ancora da esplorare, ad esempio riguardo all’addestramento dei sistemi informatici per lavorare con dati limitati. I polimeri hanno proprietà diverse da metalli e ceramiche e non sono ancora predette pienamente dalle teorie esistenti. Il progetto che sta portando avanti assieme ai suoi colleghi ha lo scopo non solo di sviluppare l’informatica dei materiali ma anche di contribuire a un progresso fondamentale della scienza dei materiali.

L’uso dell’apprendimento automatico per questo tipo di ricerca si è rivelato promettente e le applicazioni sono ancora tutte da scoprire. Diverse applicazioni richiedono diverse caratteristiche perciò possiamo aspettarci ancora molti sviluppi.

Leave a Reply

Your email address will not be published. Required fields are marked *