Datorer brukade ta upp hela rum. I dag, en två-pund bärbar dator kan enkelt glida in i en ryggsäck. Men det hade inte varit möjligt utan att skapa nya, mindre processorer - som bara är möjliga med innovationen av nya material.

Men hur uppfinner materialvetare egentligen nya material? Genom experiment, förklarar Sanket Deshmukh, en biträdande professor vid kemitekniska avdelningen vars team nyligen publicerade beräkningsforskning kan förbättra effektiviteten och kostnadsbesparingarna i materialdesignprocessen.

Deshmukhs labb, labbet Computational Design of Hybrid Materials, ägnar sig åt att förstå och simulera hur molekyler rör sig och interagerar - avgörande för att skapa ett nytt material.

Under de senaste åren har maskininlärning, en kraftfull delmängd av artificiell intelligens, har använts av materialvetare för att påskynda upptäckten av nya material genom datorsimuleringar. Deshmukh och hans team har nyligen publicerat forskning i Journal of Physical Chemistry Letters demonstrera ett nytt ramverk för maskininlärning som tränar "i farten, "vilket innebär att det omedelbart bearbetar data och lär sig av det för att påskynda utvecklingen av beräkningsmodeller.

Traditionellt utförs utvecklingen av beräkningsmodeller manuellt via försök-och-fel-tillvägagångssätt, vilket är mycket dyrt och ineffektivt, och är en arbetsintensiv uppgift, "Förklarade Deshmukh.

"Denna nya ram använder inte bara maskininlärning på ett unikt sätt för första gången, "Sa Deshmukh, "men det påskyndar också dramatiskt utvecklingen av exakta beräkningsmodeller av material."

"Vi tränar maskininlärningsmodellen på ett" omvänt "sätt genom att använda egenskaperna hos en modell som erhållits från molekylära dynamiksimuleringar som en ingång för maskininlärningsmodellen, och att använda de ingångsparametrar som används i molekylära dynamiksimuleringar som en utgång för maskininlärningsmodellen, "sa Karteek Bejagam, en postdoktoral forskare i Deshmukhs laboratorium och en av huvudförfattarna till studien.

Denna nya ram gör det möjligt för forskare att utföra optimering av beräkningsmodeller, med ovanligt snabbare hastighet, tills de når de önskade egenskaperna hos ett nytt material.

Den bästa delen? Oavsett hur exakta förutsägelserna för maskininlärningsmodeller är, som de testas i farten, dessa modeller har ingen negativ inverkan på modelloptimeringen, om det är felaktigt. "Det kan inte göra ont, det kan bara hjälpa, "sa Samrendra Singh, en gästforskare i Deshmukhs laboratorium och en annan författare till studien.

"Det fina med det nya ramverket för maskininlärning är att det är väldigt allmänt, vilket innebär att maskininlärningsmodellen kan integreras med valfri optimeringsalgoritm och beräkningsteknik för att påskynda materialdesignen, "Sa Singh.

Publikationen, ledd av Bejagam och Singh och i samarbete med kemiteknik Ph.D. student Yaxin An, visar användningen av denna nya ram genom att utveckla modellerna av två lösningsmedel som ett bevis på koncept.

Deshmukhs lab planerar att bygga vidare på forskningen genom att använda denna nya maskininlärningsbaserade ram för att utveckla modeller av olika material som har potentiella biomedicin och energitillämpningar.