Acelerar la búsqueda de materiales energéticamente eficientes con el aprendizaje automático

La candidata a doctorado Nina Andrejevic combina técnicas de espectroscopia y aprendizaje automático para identificar propiedades nuevas y valiosas en la materia.

Nacida en una familia de arquitectos, a Nina Andrejevic le encantaba crear dibujos de su casa y otros edificios cuando era niña en Serbia. Ella y su gemelo compartían esta pasión, junto con el apetito por las matemáticas y las ciencias. Con el tiempo, esos intereses convergieron en un camino académico que comparte algunos atributos con la profesión familiar, según Andrejevic, candidato a doctorado en ciencia e ingeniería de materiales en el MIT.

“La arquitectura es un campo creativo y técnico en el que tratas de optimizar las características que deseas para ciertos tipos de funcionalidad, como el tamaño de un edificio o el diseño de las diferentes habitaciones de una casa”, dice. El trabajo de Andrejevic en el aprendizaje automático se asemeja al de los arquitectos, ella cree: “Partimos de un sitio web vacío, un modelo matemático que tiene parámetros aleatorios, y nuestro objetivo es entrenar ese modelo, llamado red neuronal, para que tenga la funcionalidad que queremos. . . ”

Andrejevic es asesor de doctorado de Mingda Li, profesor asistente en el Departamento de Ciencia e Ingeniería Nuclear. Como asistente de investigación en el Grupo de Medición Cuántica de Li, está entrenando sus modelos de aprendizaje automático para buscar características nuevas y útiles en los materiales. Su trabajo con el laboratorio llegó a importantes revistas como Comunicaciones de la naturaleza, ciencia avanzada, Cartas de revisión física, y Nano letras.

La candidata a doctorado del MIT Nina Andrejević (derecha) ha desarrollado con su hermana gemela Jovana (izquierda), candidata a doctorado en la Universidad de Harvard, un método para probar muestras de materiales para predecir la presencia de características topológicas que es más rápido y más versátil que otros métodos. Crédito: Gretchen Ertl

Un área de especial interés para su grupo son los materiales topológicos. “Estos materiales son una fase exótica de la materia que puede transportar electrones a la superficie sin pérdida de energía”, dice. “Eso los hace muy interesantes para hacer tecnologías más eficientes energéticamente”.

Con su hermana Jovana, estudiante de doctorado en física aplicada en la Universidad de Harvard, Andrejevic ha desarrollado un método para probar muestras de materiales para predecir la presencia de características topológicas que es más rápido y más versátil que otros métodos.

Si el objetivo final es «producir tecnologías de mejor rendimiento y ahorro de energía», dice, «primero debemos saber qué materiales son buenos candidatos para estas aplicaciones, y esto es algo que nuestra investigación puede ayudar a confirmar».

unión

Las semillas de esta investigación se plantaron hace más de un año. “Mi hermana y yo siempre decíamos que sería genial hacer un proyecto juntos, y cuando Mingda sugirió este estudio de materiales topológicos, se me ocurrió que podíamos hacer de esto una colaboración formal”, dice Andrejevic. Las hermanas son más parecidas que la mayoría de las gemelas, señala, y comparten muchos intereses académicos. “Ser un gemelo es una gran parte de mi vida y trabajamos bien juntos, ayudándonos mutuamente en áreas que no entendemos”.

El trabajo de disertación de Andrejevic, que abarca múltiples proyectos, utiliza técnicas espectroscópicas especializadas y análisis de datos, mejorado por el aprendizaje automático, que puede encontrar patrones en grandes cantidades de datos de manera más eficiente que las computadoras de mayor rendimiento.

Cuando se gradúe este invierno, Nina Andrejević se dirigirá al Laboratorio Nacional de Argonne, donde planea enfocarse en el diseño de redes neuronales informadas por la física. Crédito: Gretchen Ertl

“El hilo conductor de todos mis proyectos es esta idea de tratar de acelerar o mejorar nuestra comprensión mediante la aplicación de estas herramientas de caracterización y, por lo tanto, obtener información más útil que la que podemos obtener con modelos más tradicionales o aproximados”, dice. La investigación de los gemelos sobre materiales topológicos sirve como ejemplo.

Para descubrir propiedades nuevas y potencialmente útiles de los materiales, los investigadores deben interrogarlos a escala atómica y cuántica. Las técnicas espectroscópicas de neutrones y fotones pueden ayudar a capturar estructuras y dinámicas previamente no identificadas y determinar cómo el calor, los campos eléctricos o magnéticos y el estrés mecánico afectan los materiales en el nivel liliputiense. Las leyes que rigen este reino, donde los materiales no se comportan como deberían en la macroescala, son las de la mecánica cuántica.

Los enfoques experimentales actuales para identificar materiales topológicos son técnicamente desafiantes e inexactos, lo que podría descartar candidatos viables. Las hermanas creían que podían evitar estas trampas mediante el uso de una técnica de imagen ampliamente aplicada llamada espectroscopia de absorción de rayos X (XAS) y combinada con una red neuronal entrenada. XAS envía haces de rayos X enfocados en la materia para ayudar a mapear su geometría y estructura electrónica. Los datos de radiación que proporciona ofrecen una firma única para el material muestreado.

“Queríamos desarrollar una red neuronal que pudiera identificar la topología de la firma XAS de un material, una medida mucho más accesible que otros enfoques”, dice Andrejevic. «Esperamos que esto nos permita seleccionar una categoría mucho más amplia de posibles materiales topológicos».

En el transcurso de meses, los investigadores alimentaron la información de su red neuronal de dos bases de datos: una contenía materiales teóricamente predichos como topológicos y la otra contenía datos de absorción de rayos X para una amplia gama de materiales. “Cuando se entrena adecuadamente, el modelo debe servir como una herramienta donde lee nuevas firmas XAS nunca antes vistas e informa si el material que produjo el espectro es topológico”, explica Andrejevic.

La técnica de la pareja de investigadores mostró resultados prometedores, que ya publicaron en preprint, “Indicadores de aprendizaje automático de topología espectral.” “Para mí, lo emocionante de estos proyectos de aprendizaje automático es ver algunos patrones subyacentes y poder entenderlos en términos de cantidades físicas”, dice Andrejevic.

Pasando a los estudios de materiales

Fue durante su primer año en la Universidad de Cornell que Andrejevic experimentó por primera vez el placer de examinar el tema en un nivel íntimo. Después de un curso en nanociencia y nanoingeniería, se unió a un grupo de investigación sobre materiales de imagen a escala atómica. “Siento que soy una persona muy visual, y esta idea de poder ver cosas que hasta entonces eran solo ecuaciones o conceptos, fue realmente emocionante”, dice. “Esta experiencia me acercó al campo de la ciencia de los materiales”.

El aprendizaje automático, fundamental para el trabajo de doctorado de Andrejevic, será fundamental para su vida después del MIT. Cuando se gradúe este invierno, se dirigirá directamente al Laboratorio Nacional de Argonne, donde ganó una prestigiosa beca Maria Goeppert Mayer, otorgada «internacionalmente a científicos e ingenieros con doctorado que están al comienzo de carreras prometedoras». “Vamos a intentar diseñar redes neuronales basadas en la física, centrándonos en los materiales cuánticos”, dice.

Esto significa despedirse de su hermana, de quien nunca se separó por mucho tiempo. “Será muy diferente”, dice Andrejevic. Pero agrega: “¡Espero que Jovana y yo colaboremos más en el futuro, sin importar la distancia!”.