IA interpretável na descoberta de materiais: Descobrir como os modelos fazem previsões
O método proposto extrai informações de modelos de IA e agrupa materiais com base na semelhança tanto estrutural como espectral
Anúncios
Foi desenvolvido por investigadores japoneses um método para interpretar modelos de inteligência artificial (IA) utilizados na descoberta de materiais, através da análise das características que estes aprenderam. O método extrai características-chave de um modelo de IA treinado com dados de estrutura atómica e espectros de absorção ótica e, em seguida, agrupa materiais com características estruturais e espectrais semelhantes. Esta abordagem pode ser alargada para revelar como as disposições atómicas influenciam outras propriedades dos materiais, abrindo caminho para um design de materiais mais eficiente.
O método proposto combina uma rede neural de grafos com agrupamento hierárquico para extrair características-chave que relacionam a estrutura cristalina com os espectros óticos e, em seguida, agrupa materiais com características estruturais e espectrais semelhantes, revelando padrões que podem orientar a conceção de materiais.
Institute of Science Tokyo
Nos últimos anos, a inteligência artificial (IA) surgiu como uma ferramenta poderosa para prever o comportamento dos materiais com base na sua estrutura atómica, ajudando os investigadores a descobrir novos materiais mais rapidamente e a reduzir a dependência de métodos de tentativa e erro. No entanto, muitos destes modelos funcionam como «caixas negras». Podem fazer previsões precisas, mas não explicam como essas previsões são feitas. Isto torna difícil compreender as relações entre a estrutura de um material e as suas propriedades, limitando a utilidade destes modelos para orientar o desenvolvimento de novos projetos.
Agora, num estudo, investigadores do Instituto de Ciência de Tóquio (Science Tokyo), no Japão, desenvolveram um método para tornar estes modelos mais interpretáveis. A sua abordagem funciona através da análise de um modelo de IA treinado e da extração das principais características que este aprendeu sobre a forma como a estrutura cristalina se relaciona com os espectros óticos. Utilizando estas características, os investigadores agruparam então materiais que partilham espectros óticos e características estruturais semelhantes.
O estudo foi liderado pelo Professor Assistente Akira Takahashi, pelo Professor Fumiyasu Oba (também líder de projeto no KISTEC, Japão), e pelo estudante de mestrado Arata Takamatsu (na altura da investigação) do Laboratório de Materiais e Estruturas do Science Tokyo, em colaboração com o professor Yu Kumagai do Instituto de Investigação de Materiais da Universidade de Tohoku, no Japão.
«O método de classificação que propomos permite compreender em pormenor como os modelos de previsão de IA fazem as suas previsões, nomeadamente, extraindo fatores-chave para as formas espectrais desejadas e, assim, fornecendo insights físicos e químicos úteis para o design de materiais», afirma Takahashi.
As propriedades dos materiais dependem frequentemente de alguns parâmetros e são descritas utilizando dados espectrais — por exemplo, espectros de absorção ótica que captam a forma como a luz interage com o material em diferentes comprimentos de onda. Em comparação com propriedades representadas por um único número, os dados espectrais são muito mais ricos e complexos, tornando-os difíceis de interpretar utilizando métodos convencionais de IA.
Os investigadores utilizaram uma rede neural de grafos atómicos (ALIGNN), uma arquitetura de rede neural de grafos já existente, treinada para prever espectros de absorção ótica a partir da estrutura atómica utilizando dados de 2681 óxidos metálicos, calcogenetos e compostos relacionados. A partir do modelo treinado, extraíram características das suas camadas internas e aplicaram agrupamento hierárquico, um método que agrupa itens com base na semelhança. Isto permitiu-lhes classificar os materiais em grupos distintos que partilhavam tanto características estruturais, tais como composição elementar, coordenação atómica, comprimentos de ligação e ângulos de ligação, como formas espectrais semelhantes.
Notavelmente, o modelo aprendeu estes padrões apenas a partir da estrutura atómica, sem que lhe fossem fornecidos estados de oxidação ou configurações eletrónicas como entrada, indicando que tinha captado internamente relações significativas entre estrutura e propriedades.
As propriedades óticas desempenham um papel fundamental em muitas aplicações. Elas afetam a aparência de um material, o que é importante para pigmentos e corantes, e determinam a forma como este interage com a luz em dispositivos como células solares e fotodetetores. Compreender quais as espécies elementares e características estruturais que moldam estes espectros é, portanto, fundamental para estabelecer diretrizes de conceção racionais para tais materiais.
Além disso, a abordagem não se limita aos espectros óticos: pode ser alargada para determinar como a estrutura de um material influencia o seu comportamento em diferentes condições, tais como a temperatura ou a pressão, abrindo novas possibilidades para a conceção de materiais com propriedades específicas e úteis. Tal como aqui demonstrado para a absorção ótica, a abordagem pode ser aplicada a uma variedade de propriedades espectrais, permitindo aos investigadores identificar fatores comuns partilhados por diferentes materiais e inferir as origens das características espectrais desejadas.
«Tem sido difícil interpretar o que os modelos de aprendizagem automática aprenderam sobre as propriedades espectrais. Neste trabalho, desenvolvemos um método geral para extrair esses insights, que acreditamos que se revelará amplamente útil para a investigação de materiais», conclui Takahashi.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
