Las promesas y los desafíos de la inteligencia artificial y el aprendizaje automático destacaron el Simposio del Día de Materiales del MIT del 9 de octubre, con presentaciones sobre nuevas formas de formar compuestos de zeolita, síntesis de drogas más rápida, dispositivos ópticos avanzados y más.

"El aprendizaje automático está teniendo un impacto en todas las áreas de investigación de materiales", dijo el director del Laboratorio de Investigación de Materiales, Carl V. Thompson.

"Somos cada vez más capaces de trabajar en conjunto con máquinas para ayudarnos a decidir qué materiales fabricar", dijo Elsa A. Olivetti, el Profesor Asociado Atlantic Richfield de Estudios de Energía. El aprendizaje automático también está guiando cómo hacer esos materiales con nuevos conocimientos sobre los métodos de síntesis y, en algunos casos (como con los sistemas robóticos), haciendo esos materiales, señaló.

El orador principal Brian Storey, director de diseño y descubrimiento de materiales acelerados en el Instituto de Investigación de Toyota, habló sobre el aprendizaje automático para avanzar en el cambio del motor de combustión interna a los vehículos eléctricos, y el profesor Ju Li, profesor de ciencia e ingeniería nuclear de Battelle Energy Alliance y profesor de ciencia e ingeniería de materiales, habló sobre la ingeniería atómica utilizando la tensión elástica y el empuje de los átomos por radiación.

Materiales porosos

Olivetti y Rafael Gómez-Bombarelli, el profesor asistente de Toyota en procesamiento de materiales, trabajó en conjunto para aplicar el aprendizaje automático para desarrollar una mejor comprensión de los materiales porosos llamados zeolitas, formados a partir de silicio y óxido de aluminio, que tienen una amplia gama de usos, desde arena para gatos hasta refinación de petróleo.

"Básicamente, la idea es que el poro tenga el tamaño adecuado para contener moléculas orgánicas", dijo Gómez-Bombarelli. Si bien los ingenieros conocen solo unas 250 zeolitas de esta clase, los físicos pueden calcular cientos de miles de formas posibles en que se pueden formar estas estructuras. "Algunos de ellos pueden convertirse entre sí", dijo. "Entonces, podrías extraer una zeolita, ponerla bajo presión o calentarla, y se convierte en una diferente que podría ser más valiosa para una aplicación específica".

Un método tradicional era interpretar estas estructuras cristalinas como una combinación de bloques de construcción. Sin embargo, cuando se analizaron las transformaciones de zeolita, más de la mitad del tiempo no había bloques de construcción en común entre la zeolita original antes del cambio y la nueva zeolita después del cambio. "La teoría de los componentes básicos tiene algunos ingredientes interesantes, pero no explica las reglas para pasar de A a B", dijo Gómez-Bombarelli.

Enfoque basado en gráficos

El nuevo enfoque basado en gráficos de Gomez-Bombarelli encuentra que cuando cada estructura de marco de zeolita se representa como un gráfico, estos gráficos coinciden antes y después en pares de transformación de zeolita. “Algunas clases de transformaciones solo ocurren entre zeolitas que tienen el mismo gráfico”, dijo.

Este trabajo evolucionó a partir de la extracción de datos de Olivetti de 2.5 millones de artículos de revistas de ciencia de materiales para descubrir recetas para hacer diferentes materiales inorgánicos. El estudio de zeolita examinó 70,000 artículos. "Uno de los desafíos para aprender de la literatura es que publicamos ejemplos positivos, publicamos datos de cosas que salieron bien", dijo Olivetti. En la comunidad de zeolitas, los investigadores también publican lo que no funciona. "Es un conjunto de datos valioso del que podemos aprender", dijo. "Para lo que hemos podido usar este conjunto de datos es para intentar predecir posibles rutas de síntesis para hacer tipos particulares de zeolitas".

En un trabajo anterior con colegas de la Universidad de Massachusetts, Olivetti desarrolló un sistema que identificaba palabras y técnicas científicas comunes encontradas en oraciones en esta gran biblioteca y reunía hallazgos similares. "Un desafío importante en el procesamiento del lenguaje natural es dibujar esta información vinculada en un documento", explicó Olivetti. "Estamos tratando de crear herramientas que puedan hacer esa vinculación", dice Olivetti.

Síntesis química asistida por IA

Klavs F Jensen, el Profesor Warren K. Lewis de Ingeniería Química y Profesor de Ciencia e Ingeniería de Materiales, describió un sistema de síntesis química que combina pasos de procesamiento guiados por inteligencia artificial con un sistema de reacción modular operado por robot.

Para aquellos que no están familiarizados con la síntesis, Jensen explicó que "tienes reactivos con los que comienzas, tienes reactivos que tienes que agregar, catalizadores y demás para que la reacción funcione, tienes intermedios y finalmente terminas con tu producto".

Jensen relata que el sistema de inteligencia artificial combinó 12.5 millones de reacciones, creando un conjunto de reglas, o biblioteca, de aproximadamente 160,000 de las recetas de síntesis más comúnmente utilizadas. Este enfoque de aprendizaje automático sugiere condiciones de procesamiento tales como qué catalizadores, solventes y reactivos usar en la reacción.

"Puede hacer que el sistema tome cualquier información que haya obtenido de la literatura publicada sobre las condiciones, etc., y puede usarla para formar una receta", dice. Debido a que aún no hay suficientes datos para informar al sistema, un experto químico aún necesita intervenir para especificar concentraciones, caudales y configuraciones de la pila de procesos, y para garantizar la seguridad antes de enviar la receta al sistema robótico.

Los investigadores demostró este sistema al predecir planes de síntesis para 15 drogas o moléculas similares a las drogas, la analgésica lidocaína, por ejemplo, y varias drogas para la presión arterial alta, y luego hacerlas con el sistema. El sistema del reactor de flujo contrasta con un sistema discontinuo. "Para poder acelerar las reacciones, usamos condiciones mucho más agresivas que las que se realizan en lotes: altas temperaturas y presiones más altas", dice Jensen.

El sistema modular consiste en una torre de procesamiento con módulos de reacción intercambiables y un conjunto de reactivos diferentes, que están conectados entre sí por el robot para cada síntesis. Estos hallazgos se informaron en Ciencia:.

Los antiguos estudiantes de doctorado Connor W. Coley y Dale A. Thomas construyeron el planificador de síntesis asistido por computadora y el sistema del reactor de flujo, respectivamente, y el ex postdoc Justin AM Lummiss hizo la química junto con un gran equipo de estudiantes del Programa de Oportunidades de Investigación de Pregrado del MIT, PhD estudiantes y postdocs. Jensen también toma nota de las contribuciones de los colegas de la facultad del MIT Regina Barzilay, William H. Green, A. John Hart, Tommi Jaakkola y Tim Jamison. El MIT ha presentado una patente para el manejo robótico de conexiones de fluidos. El paquete de software que sugiere y prioriza posibles rutas de síntesis es de código abierto, y hay una versión en línea en el Sitio web de ASKCOS.

Robustez en el aprendizaje automático

Los sistemas de aprendizaje profundo funcionan increíblemente bien en tareas de referencia, como imágenes y aplicaciones de procesamiento de lenguaje natural, dijo el profesor Asu Özdaglar, que dirige el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT. Aún así, los investigadores están lejos de comprender por qué funcionan estos sistemas de aprendizaje profundo, cuándo funcionarán y cómo se generalizan. Y cuando se equivocan, pueden salir completamente mal.

Ozdaglar dio un ejemplo de una imagen con un clasificador de última generación que puede mirar la imagen de un lindo cerdo y reconocer la imagen como la de un cerdo. Pero, "si agrega un poco de muy poca perturbación, lo que sucede es básicamente que el mismo clasificador cree que es un avión", dijo Ozdaglar. "Así que este es un ejemplo en el que la gente dice que el aprendizaje automático es tan poderoso que puede hacer volar a los cerdos", dijo, acompañada de la risa de la audiencia. "Y esto inmediatamente nos dice que básicamente tenemos que ir más allá de nuestros enfoques estándar".

Una posible solución radica en una formulación de optimización conocida como un problema Minimax, o MinMax. Otro lugar donde surge la formulación de MinMax es en la red de confrontación generativa, o entrenamiento GAN. Utilizando un ejemplo de imágenes de automóviles reales e imágenes falsas de automóviles, Ozdaglar explicó: “Nos gustaría que estas imágenes falsas se obtuvieran de la misma distribución que el conjunto de entrenamiento, y esto se logra utilizando dos redes neuronales que compiten entre sí, un red generadora y una red discriminadora. La red del generador crea a partir de ruido aleatorio estas imágenes falsas que la red discriminadora intenta separar para ver si esto es real o falso ".

“Es básicamente otro problema de MinMax por el cual el generador está tratando de minimizar la distancia entre estas dos distribuciones, falsa y real. Y luego el discriminador está tratando de maximizar eso ”, dijo. El enfoque del problema MinMax se ha convertido en la columna vertebral de la capacitación sólida de los sistemas de aprendizaje profundo, señaló.

Ozdaglar agregó que la facultad de EECS está aplicando el aprendizaje automático a nuevas áreas, incluida la atención médica, citando el trabajo de Regina Barzilay en la detección de cáncer de mama y david sontag en el uso de registros médicos electrónicos para el diagnóstico y tratamiento médico.

El curso de aprendizaje automático de pregrado de EECS (6.036) acogió a 800 estudiantes la primavera pasada, y consistentemente tiene 600 o más estudiantes inscritos, lo que lo convierte en el curso más popular en el MIT. El nuevo Stephen A. Schwarzman College of Computing brinda la oportunidad de crear una estructura más dinámica y adaptable que la estructura de departamento tradicional del MIT. Por ejemplo, una idea es crear varios grupos de enseñanza interdepartamentales. "Visualizamos cosas como cursos en los fundamentos de computación, ciencias e ingeniería computacionales, estudios sociales de computación, y que todos nuestros estudiantes tomen cursos impartidos conjuntamente por nuestra facultad en todo el MIT", dijo.

Ventaja óptica

Juejun "JJ" Hu, profesor asociado de ciencia e ingeniería de materiales, detalló su investigación al acoplar un espectrómetro basado en un chip de silicio para detectar longitudes de onda de luz infrarroja a un algoritmo de aprendizaje automático recién creado. Los espectrómetros ordinarios, volviendo al primer prisma de Isaac Newton, funcionan dividiendo la luz, lo que reduce la intensidad, pero la versión de Hu recoge toda la luz en un solo detector, que conserva la intensidad de la luz, pero luego plantea el problema de identificar diferentes longitudes de onda de una sola captura .

"Si desea resolver esta compensación entre la resolución (espectral) y la relación señal / ruido, lo que debe hacer es recurrir a un nuevo tipo de herramienta de espectroscopia llamada espectrómetro de multiplexación de longitud de onda", dijo Hu. Su nuevo arquitectura del espectrómetro, que se llama espectroscopia digital de transformada de Fourier, incorpora interruptores ópticos sintonizables en un chip de silicio. El dispositivo funciona midiendo la intensidad de la luz en diferentes configuraciones de interruptor óptico y comparando los resultados. "Lo que tienes es esencialmente un grupo de ecuaciones lineales que te dan una combinación lineal de la intensidad de la luz a diferentes longitudes de onda en forma de una lectura de detector", dijo.

Un dispositivo prototipo con seis interruptores admite un total de 64 estados ópticos únicos, que pueden proporcionar 64 lecturas independientes. "La ventaja de esta nueva arquitectura de dispositivo es que el rendimiento se duplica cada vez que agrega un nuevo interruptor", dijo. Trabajando con Brandon Miranda en el Centro de cerebros, mentes y máquinas del MIT, desarrolló un nuevo algoritmo, Elástico D1, que proporciona una resolución de hasta 0.2 nanómetros y proporciona una medición de luz precisa con solo dos mediciones consecutivas.

"Creemos que este tipo de combinación única entre el hardware de una nueva arquitectura de espectrómetro y el algoritmo puede permitir una amplia gama de aplicaciones que van desde el monitoreo de procesos industriales hasta la imagen médica", dijo Hu. Hu también está aplicando el aprendizaje automático en su trabajo en medios ópticos complejos como las metasuperficies, que son nuevos dispositivos ópticos que presentan una serie de antenas ópticas especialmente diseñadas que agregan un retraso de fase a la luz entrante.

Ganadores de la sesión de pósters

Diecinueve postdoctorados y estudiantes de posgrado del MIT dieron charlas de dos minutos sobre su investigación durante la vista previa de una sesión de carteles. En la Sesión de carteles del Día de los Materiales inmediatamente después del simposio, los ganadores de los premios fueron la estudiante graduada en ingeniería mecánica Erin Looney, la estudiante graduada en artes y ciencias de los medios Bianca Datta y el postdoctorado en ciencias e ingeniería de materiales Michael Chon.

El proyecto Laboratorio de investigación de materiales sirve a grupos interdisciplinarios de profesores, personal y estudiantes, con el apoyo de la industria, fundaciones y agencias gubernamentales para llevar a cabo investigaciones de ingeniería fundamentales en materiales. Los temas de investigación incluyen conversión y almacenamiento de energía, materiales cuánticos, espintrónica, fotónica, metales, microsistemas integrados, sostenibilidad de materiales, iónicos de estado sólido, propiedades electrónicas de óxidos complejos, biogeles y fibras funcionales.