IA interpretabile nella scoperta di nuovi materiali: capire come i modelli formulano le previsioni
Il metodo proposto ricava informazioni dai modelli di intelligenza artificiale e raggruppa i materiali in base alla somiglianza sia strutturale che spettrale ottica
Annunci
I ricercatori giapponesi hanno sviluppato un metodo per interpretare i modelli di intelligenza artificiale (IA) utilizzati nella scoperta di nuovi materiali, analizzandone le caratteristiche apprese. Il metodo estrae le caratteristiche chiave da un modello di IA addestrato su dati di struttura atomica e spettri di assorbimento ottico, quindi raggruppa i materiali con caratteristiche strutturali e spettrali simili. Questo approccio può essere esteso per rivelare come le disposizioni atomiche influenzano altre proprietà dei materiali, aprendo la strada a una progettazione dei materiali più efficiente.
Il metodo proposto combina una rete neurale grafica con il clustering gerarchico per estrarre le caratteristiche chiave che collegano la struttura cristallina agli spettri ottici, quindi raggruppa i materiali con caratteristiche strutturali e spettrali simili, mettendo in luce modelli in grado di guidare la progettazione dei materiali.
Institute of Science Tokyo
Negli ultimi anni, l'intelligenza artificiale (IA) è emersa come un potente strumento per prevedere il comportamento dei materiali in base alla loro struttura atomica, aiutando i ricercatori a scoprire nuovi materiali più rapidamente e a ridurre la dipendenza dai metodi basati su tentativi ed errori. Tuttavia, molti di questi modelli funzionano come "scatole nere". Sono in grado di fornire previsioni accurate, ma non spiegano come tali previsioni vengano elaborate. Ciò rende difficile comprendere le relazioni tra la struttura di un materiale e le sue proprietà, limitando l'utilità di questi modelli nel guidare lo sviluppo di nuovi progetti.
Ora, in uno studio condotto dai ricercatori dell'Institute of Science Tokyo (Science Tokyo), in Giappone, è stato sviluppato un metodo per rendere questi modelli più interpretabili. Il loro approccio consiste nell'analizzare un modello di IA addestrato ed estrarre le caratteristiche chiave che ha appreso su come la struttura cristallina si relaziona agli spettri ottici. Utilizzando queste caratteristiche, i ricercatori hanno poi raggruppato i materiali che condividono spettri ottici e caratteristiche strutturali simili.
Lo studio è stato condotto dal professore assistente Akira Takahashi, dal professore Fumiyasu Oba (anche responsabile di progetto presso il KISTEC, in Giappone), e dallo studente del corso di laurea magistrale Arata Takamatsu (al momento della ricerca) del Laboratorio di Materiali e Strutture di Science Tokyo, in collaborazione con il professore Yu Kumagai dell'Istituto per la Ricerca sui Materiali dell'Università di Tohoku, in Giappone.
"Il metodo di classificazione da noi proposto consente di comprendere in dettaglio come i modelli di previsione basati sull'intelligenza artificiale effettuano le previsioni, ovvero estraendo i fattori chiave per le forme spettrali desiderate e fornendo così utili informazioni fisiche e chimiche per la progettazione dei materiali", afferma Takahashi.
Le proprietà dei materiali dipendono spesso da alcuni parametri e sono descritte utilizzando dati spettrali, ad esempio gli spettri di assorbimento ottico che catturano il modo in cui la luce interagisce con il materiale a diverse lunghezze d'onda. Rispetto alle proprietà rappresentate da un singolo numero, i dati spettrali sono molto più ricchi e complessi, rendendo difficile la loro interpretazione con i metodi di IA convenzionali.
I ricercatori hanno utilizzato una rete neurale atomistica a grafici lineari (ALIGNN), un'architettura esistente di rete neurale a grafici, addestrata a prevedere gli spettri di assorbimento ottico dalla struttura atomica utilizzando dati provenienti da 2.681 ossidi metallici, calcogenuri e composti correlati. Dal modello addestrato, hanno estratto caratteristiche dai suoi livelli interni e applicato il clustering gerarchico, un metodo che raggruppa gli elementi in base alla somiglianza. Ciò ha permesso loro di classificare i materiali in gruppi distinti che condividevano sia caratteristiche strutturali, come la composizione elementare, il coordinamento atomico, le lunghezze dei legami e gli angoli di legame, sia forme spettrali simili.
In particolare, il modello ha appreso questi modelli esclusivamente dalla struttura atomica, senza che gli fossero forniti come input gli stati di ossidazione o le configurazioni elettroniche, indicando che aveva catturato internamente relazioni significative tra struttura e proprietà.
Le proprietà ottiche svolgono un ruolo chiave in molte applicazioni. Influenzano l'aspetto di un materiale, aspetto importante per pigmenti e coloranti, e determinano il modo in cui esso interagisce con la luce in dispositivi quali celle solari e fotorilevatori. Comprendere quali specie elementari e caratteristiche strutturali modellano questi spettri è, pertanto, fondamentale per stabilire linee guida di progettazione razionali per tali materiali.
Inoltre, l'approccio non si limita agli spettri ottici: può essere esteso per determinare in che modo la struttura di un materiale influenzi il suo comportamento in condizioni diverse, come la temperatura o la pressione, aprendo nuove possibilità per la progettazione di materiali con proprietà specifiche e utili. Come dimostrato qui per l'assorbimento ottico, l'approccio può essere applicato a una serie di proprietà spettrali, consentendo ai ricercatori di identificare fattori comuni condivisi da materiali diversi e di dedurre le origini delle caratteristiche spettrali desiderate.
"È stato difficile interpretare ciò che i modelli di apprendimento automatico hanno appreso sulle proprietà spettrali. In questo lavoro, abbiamo sviluppato un metodo generale per estrarre tali informazioni, che riteniamo si rivelerà ampiamente utile per la ricerca sui materiali", conclude Takahashi.
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione originale
Altre notizie dal dipartimento scienza
