A inteligaªncia artificial avana§a como os cientistas exploram os materiais. Pesquisadores do Ames Laboratory e da Texas A&M University treinaram um modelo de aprendizado de ma¡quina (ML) para avaliar a estabilidade de compostos de terras raras. Este trabalho foi apoiado pelo programa Laboratory Directed Research and Development Program (LDRD) no Laborata³rio Ames. A estrutura que eles desenvolveram baseia-se em manãtodos atuais de última geração para experimentar compostos e entender instabilidades químicas.

O Ames Lab élider em pesquisas de terras raras desde meados do século 20. Elementos de terras raras tem uma ampla gama de usos, incluindo tecnologias de energia limpa, armazenamento de energia e a­ma£s permanentes. A descoberta de novos compostos de terras raras faz parte de um esfora§o maior dos cientistas para expandir o acesso a esses materiais.

A abordagem atual ébaseada no aprendizado de ma¡quina (ML), uma forma de inteligaªncia artificial (IA), que éimpulsionada por algoritmos de computador que melhoram por meio do uso e da experiência de dados. Os pesquisadores usaram o banco de dados atualizado do Ames Laboratory Rare Earth (RIC 2.0) e a teoria funcional da densidade de alto rendimento (DFT) para construir a base para seu modelo de ML.

A triagem de alto rendimento éum esquema computacional que permite que um pesquisador teste centenas de modelos rapidamente. DFT éum manãtodo de meca¢nica qua¢ntica usado para investigar propriedades termodina¢micas e eletra´nicas de muitos sistemas corporais. Com base nessa coleta de informações, o modelo de ML desenvolvido usa o aprendizado de regressão para avaliar a estabilidade de fase dos compostos.

Tyler Del Rose, um estudante de pós-graduação da Iowa State University, conduziu grande parte da pesquisa fundamental necessa¡ria para o banco de dados escrevendo algoritmos para pesquisar na web informações para complementar o banco de dados e os ca¡lculos DFT. Ele também trabalhou na validação experimental das previsaµes de IA e ajudou a melhorar os modelos baseados em ML, garantindo que eles sejam representativos da realidade.

“O aprendizado de ma¡quina érealmente importante aqui porque quando estamos falando de novas composições, os materiais ordenados são todos muito conhecidos por todos na comunidade de terras raras”, disse o cientista do laboratório Ames Prashant Singh, que liderou o esfora§o de aprendizado de ma¡quina DFT plus com Guillermo Vazquez e Raymundo Arroyave. "No entanto, quando vocêadiciona desordem a materiais conhecidos, émuito diferente. O número de composições torna-se significativamente maior, muitas vezes milhares ou milhões, e vocênão pode investigar todas as combinações possa­veis usando teoria ou experimentos."

Singh explicou que a análise do material ébaseada em um loop de feedback discreto no qual o modelo AI/ML éatualizado usando o novo banco de dados DFT baseado em informações estruturais e de fase em tempo real obtidas em nossos experimentos. Esse processo garante que as informações sejam transportadas de uma etapa para a próxima e reduz a chance de cometer erros.

"Nãose destina realmente a descobrir um composto em particular", disse Mudryk. "Era, como projetamos uma nova abordagem ou uma nova ferramenta para descoberta e previsão de compostos de terras raras? E foi o que fizemos."

Mudryk enfatizou que este trabalho éapenas o começo. A equipe estãoexplorando todo o potencial desse manãtodo, mas estãootimista de que havera¡ uma ampla gama de aplicações para o framework no futuro.

Esta pesquisa édiscutida no artigo " Modelo termodina¢mico habilitado para aprendizado de ma¡quina para o projeto de novos compostos de terras raras", de autoria de P. Singh, T. Del Rose, G. Vazquez, R. Arroyave e Y. Mudryk; e publicado na Acta Materialia .