El equipo de Microsoft Research ha desarrollado MatterSim, un innovador modelo de aprendizaje profundo para la simulación precisa y eficiente de materiales y la predicción de propiedades en una amplia gama de elementos, temperaturas y presiones, para permitir el diseño de materiales.
El equipo estaba formado por cuatro personas: Han Yang, investigador principal; Jielan Li, co-investigador; Hongxia Hao y Ziheng Lu, ambos investigadores principales.
¿Cómo ayuda MatterSim? Simulación precisa y exhaustiva
MatterSim utiliza el aprendizaje profundo para comprender las interacciones atómicas sobre la base de los principios fundamentales de la mecánica cuántica.
Cubre una amplia gama de elementos y condiciones, que van de 0 a 5.000 Kelvin (K) y de la presión atmosférica estándar a 10.000.000 de atmósferas.
Microsoft lo menciona en su blog:
«En nuestro experimento, MatterSim maneja eficientemente simulaciones para una variedad de materiales, incluyendo metales, óxidos, sulfuros, haluros, y sus diversos estados como cristales, sólidos amorfos y líquidos. Además, ofrece opciones de personalización para tareas de predicción intrincadas mediante la incorporación de datos proporcionados por el usuario«.
Utiliza datos sintéticos a gran escala
La base de aprendizaje del modelo se fundamenta en datos sintéticos a gran escala, generados mediante una combinación de modelos de I.A generativos, aprendizaje activo y simulaciones de dinámica molecular.
Este enfoque garantiza una cobertura completa del espacio material, lo que permite a MatterSim predecir energías, fuerzas atómicas y tensiones. Funciona como un campo de fuerzas de aprendizaje automático, con un nivel de precisión equiparable al de las predicciones derivadas de los primeros principios.
Además, MatterSim alcanza una precisión diez veces superior a la de los modelos anteriores más avanzados en cuanto a predicciones de propiedades materiales a temperaturas y presiones finitas.
Diseño adaptable y gran eficiencia de datos
Dado que MatterSim se entrena con amplios conjuntos de datos sintéticos, puede adaptarse a requisitos de diseño específicos añadiendo datos adicionales.
Gracias al aprendizaje activo y al ajuste fino, puede personalizar las predicciones con una gran eficiencia de datos. En comparación con los métodos convencionales, el modelo sólo necesita un 3% de datos para igualar la precisión y versatilidad experimentales.
Reducción de la distancia entre los modelos y las mediciones reales
Descifrar las propiedades de los materiales a partir de las estructuras atómicas es complicado y difícil si se hace con los métodos estadísticos existentes, como la dinámica molecular.
MatterSim aborda esta cuestión trazando estas relaciones directamente mediante aprendizaje automático. El modelo cuenta con módulos adaptadores personalizados que lo perfeccionan y le permiten predecir las propiedades de los materiales sin necesidad de complejas simulaciones.
¿En qué puede ser útil MatterSim?
MatterSim puede ser beneficioso de muchas maneras:
- Precisión – Ofrece una gran precisión en la predicción de las propiedades de los materiales, lo que garantiza resultados de simulación fiables y ayuda a tomar decisiones informadas.
- Versátil – Puede simular materiales a través de varios elementos, temperaturas y presiones, permitiéndole explorar varias composiciones y condiciones de materiales.
- Eficiente – Permite una experimentación e iteración más rápidas, ahorrando tiempo y recursos en el proceso de diseño de materiales.
- Personalización – Ofrece opciones de personalización para tareas de predicción complejas mediante la incorporación de datos proporcionados por el usuario.
- Flujo de trabajo racionalizado – Simplifica la traducción de las propiedades de los materiales a partir de datos estructurales, eliminando así la necesidad de complejas simulaciones.
¿Cuál es el futuro?
A medida que avance la investigación, Microsoft planea orientar su enfoque hacia la validación experimental para reforzar su papel potencial en sectores fundamentales, como el diseño de catalizadores para la sostenibilidad, los avances en almacenamiento de energía y los avances nanotecnológicos.
La integración de MatterSim con modelos generativos de IA y aprendizaje por refuerzo supone un cambio transformador en la generación metódica de materiales innovadores y personalizados.
Además, este avance garantiza la aceleración del desarrollo de materiales y la sostenibilidad de las prácticas industriales, abordando así retos críticos en la industria de la ingeniería de materiales.