En gemensam forskargrupp inklusive Ryo Yoshida (professor och chef för Data Science Center for Creative Design and Manufacturing vid Institute of Statistical Mathematics [ISM], Forskningsorganisation för information och system), Junko Morikawa (professor vid School of Materials and Chemical Technology, Tokyo Institute of Technology [Tokyo Tech]), och Yibin Xu (gruppledare för Thermal Management and Thermoelectric Materials Group, Centrum för materialforskning genom informationsintegration, Forsknings- och tjänsteavdelningen för materialdata och integrerade system [MaDIS], NIMS) har visat den lovande tillämpningen av maskininlärning (ML) – en form av AI som gör det möjligt för datorer att "lära sig" från given data – för att upptäcka innovativa material.

Rapportera sina fynd i tidskriften med öppen tillgång npj Beräkningsmaterial , forskarna visar att deras ML-metod, involverar "överföring av lärande, " möjliggör upptäckt av material med önskade egenskaper även från en mycket liten datamängd.

Studien bygger på en datamängd av polymera egenskaper från PoLyInfo, den största databasen över polymerer i världen som finns hos NIMS. Trots sin storlek, PoLyInfo har en begränsad mängd data om polymerers värmeöverföringsegenskaper. För att förutsäga värmeöverföringsegenskaperna från de givna begränsade data, ML-modeller för proxyegenskaper var förutbildade där tillräckliga data fanns tillgängliga om de relaterade uppgifterna; dessa förtränade modeller fångade gemensamma egenskaper som är relevanta för måluppgiften. Att återanvända dessa typer av maskinförvärvade funktioner på måluppgiften gav enastående prestationsprestanda även med ytterst små datauppsättningar – inte olikt arbetet av mycket erfarna mänskliga experter med avseende på rationella slutsatser även för betydligt mindre erfarna uppgifter. Teamet kombinerade denna modell med en specialdesignad ML-algoritm för beräkningsmolekylär design, som kallas iQSPR-algoritmen som tidigare utvecklats av Yoshida och hans kollegor. Att tillämpa denna teknik möjliggjorde identifieringen av tusentals lovande "virtuella" polymerer.

Från denna stora pool av kandidater, tre polymerer valdes ut baserat på deras enkla syntes och bearbetning. Tester bekräftade att de nya polymererna har en hög värmeledningsförmåga på upp till 0,41 Watt per meter-Kelvin (W/mK). Denna siffra är 80 procent högre än för typiska polyimider, en grupp vanligt använda polymerer som har masstillverkats sedan 1950-talet för tillämpningar som sträcker sig från bränsleceller till köksredskap.

Genom att verifiera värmeöverföringsegenskaperna hos de beräkningsmässigt utformade polymererna, studien representerar ett nyckelgenombrott för snabb, kostnadseffektiv, ML-stödda metoder för materialdesign. Det visar också teamets kombinerade expertis inom datavetenskap, organisk syntes och avancerad mätteknik.

Yoshida kommenterar att många aspekter återstår att utforska, som att "träna" beräkningssystem för att arbeta med begränsad data genom att lägga till lämpligare deskriptorer. "Maskininlärning för design av polymer eller mjukt material är ett utmanande men lovande område eftersom dessa material har egenskaper som skiljer sig från metaller och keramik, och är ännu inte helt förutspådda av de existerande teorierna, " han säger.

Studien är en startpunkt för upptäckten av andra innovativa material, som Morikawa tillägger:"Vi skulle vilja försöka skapa ett ML-drivet beräkningssystem med hög genomströmning för att designa nästa generations mjuka material för applikationer som går bortom 5G-eran. Genom vårt projekt, vi strävar efter att inte bara driva utvecklingen av materialinformatik utan också bidra till grundläggande framsteg inom materialvetenskap, speciellt inom fononteknik."