Table of Contents

La minería de datos ha revolucionado muchos campos científicos permitiendo a los investigadores analizar vastos conjuntos de datos y descubrir patrones ocultos que serían imposibles de detectar a través de métodos tradicionales. En el campo de la ciencia de materiales, las técnicas de extracción de datos se utilizan cada vez más para descubrir nuevos materiales y composiciones industriales que pueden conducir a productos y procesos innovadores.El aprendizaje automático transforma el paisaje de los materiales 2D, especialmente en acelerar los procesos de descubrimiento, optimización y detección.

El enfoque tradicional de ensayo y terror para el descubrimiento de materiales ha servido bien a la ciencia durante siglos, pero es cada vez más inadecuado para satisfacer las exigencias de la industria moderna. La innovación material desempeña un papel muy importante en el progreso tecnológico y el desarrollo industrial. La exploración experimental tradicional y la simulación numérica a menudo requieren tiempo y recursos considerables. Con el crecimiento exponencial de los datos de materiales de experimentos, simulaciones y literatura, la extracción de datos ofrece una alternativa poderosa que puede acelerar drásticamente el ritmo de descubrimiento al reducir los costos y el consumo de recursos.

Entendimiento de la minería de datos en material científico

La minería de datos en materiales se refiere a la aplicación de técnicas computacionales para extraer patrones, relaciones y percepciones significativas de conjuntos de datos de materiales grandes. Este enfoque interdisciplinario combina elementos de informática, estadísticas, ciencias de materiales y conocimientos de dominio para identificar candidatos de materiales prometedores que de otro modo podrían permanecer ocultos en vastas bases de datos.El proceso implica la recolección, limpieza, integración y análisis de datos de múltiples fuentes para generar conocimientos prácticos que puedan guiar el trabajo experimental y acelerar el desarrollo de materiales.

La comunidad científica de materiales ha adoptado la minería de datos como parte de un movimiento más amplio hacia la informática de materiales, un campo que aplica principios de ciencia de datos a la investigación de materiales. Este cambio ha sido impulsado por varios factores, incluyendo la disponibilidad de recursos computacionales a gran escala, el desarrollo de sofisticados algoritmos de aprendizaje de máquinas, y la creación de bases de datos de materiales extensos que proporcionan los datos brutos necesarios para la extracción efectiva de datos.

La Iniciativa Genoma Materiales y el descubrimiento de datos

La Iniciativa de Genoma de Materiales, lanzada en los Estados Unidos en 2011, ha sido fundamental para promover enfoques basados en datos para el descubrimiento de materiales. Esta iniciativa reconoció que el ciclo tradicional de desarrollo de materiales, que puede tardar 10-20 años desde el descubrimiento inicial hasta el despliegue comercial, necesitaba reducirse drásticamente para mantener la competitividad en la fabricación avanzada. Las técnicas de extracción de datos y aprendizaje automático se han convertido en herramientas centrales para lograr esta aceleración permitiendo a los investigadores experimentales proyectar rápidamente miles o incluso millones de posibles composiciones materiales.

Función de la minería de datos en el descubrimiento de materiales

Los métodos tradicionales de descubrir nuevos materiales suelen implicar experimentos de ensayo y terror, que pueden ser costosos y de largo tiempo. Una única campaña experimental para desarrollar una nueva aleación o material compuesto puede requerir meses o años de trabajo y consumir recursos de laboratorio significativos. La minería de datos permite a los científicos a través de conjuntos de datos grandes, incluyendo resultados experimentales y simulaciones computacionales, para identificar a los candidatos prometedores más eficientemente.

El poder de la extracción de datos en el descubrimiento de materiales radica en su capacidad de identificar relaciones complejas y no lineales entre la composición material, la estructura, las condiciones de procesamiento y las propiedades. Estas relaciones son a menudo demasiado complejas para que los investigadores humanos puedan discernir por intuición sola, especialmente cuando se trata de sistemas multicomponentes o materiales con microestructuras intrincadas. Al aplicar algoritmos sofisticados a conjuntos de datos completos, los investigadores pueden descubrir correlaciones ocultas y utilizarlas para predecir nunca las propiedades que han sido sintácticas.

Tipos de datos utilizados en la extracción de datos de materiales

La eficacia de la extracción de datos en el descubrimiento de materiales depende críticamente de la calidad, cantidad y diversidad de datos disponibles. Los científicos de materiales se basan en múltiples fuentes de datos, cada una proporcionando diferentes tipos de información que pueden integrarse para crear una imagen integral del comportamiento material:

  • Datos experienciales de pruebas de laboratorio: Esto incluye mediciones de propiedades mecánicas (fortaleza, dureza, ductilidad), propiedades térmicas (conductividad, coeficiente de expansión), propiedades eléctricas (conductividad, constante dieléctrica), propiedades ópticas y propiedades químicas. Los datos experimentales proporcionan información de la verdad terrestre pero a menudo se limita en cantidad debido al tiempo y costo de los experimentos.
  • Resultados de simulación computacional: La teoría funcional de la densidad (DFT) cálculos, simulaciones de dinámica molecular y análisis de elementos finitos generan enormes cantidades de datos sobre propiedades materiales y comportamiento. La teoría funcional de la densidad fue popular desde 2019 hasta 2024, permaneciendo en las 10 palabras clave superiores durante 5 años. Por lo tanto, una combinación de la teoría funcional de la densidad y el aprendizaje de la máquina es probable que se continúen.
  • ]Bases de literatura y patentes: Las décadas de investigación publicada contienen información valiosa sobre propiedades materiales, métodos de síntesis y características de rendimiento. Las incrustaciones de palabras no supervisadas captan conocimientos latentes de la literatura científica de materiales. Las técnicas de extracción de textos pueden extraer datos estructurados de publicaciones científicas no estructuradas.
  • ]Bases de propiedad material: Bases de datos curadas como el Proyecto Materiales, AFLOW, OQMD (Bloque de Datos de Materiales Cuánticos Abiertos), y otras proporcionan datos estandarizados de alta calidad sobre miles de materiales. Estas bases de datos sirven como conjuntos de capacitación para modelos de aprendizaje automático y fuentes de referencia para validación.
  • Datos experimentales de alto rendimiento: Las plataformas de síntesis y caracterización automatizadas pueden generar grandes conjuntos de datos mediante parámetros de composición y procesamiento de variable sistemática, que combinan la fiabilidad de los datos experimentales con las ventajas de escala de los métodos computacionales.
  • Datos microestructurales: Las técnicas avanzadas de imagen como microscopía electrónica, tomografía de rayos X y tomografía de sonda de átomo proporcionan información detallada sobre la estructura de materiales a escalas de longitudes múltiples. Estos datos se están integrando cada vez más con datos de propiedad para comprender las relaciones de estructura-propiedad.

Técnicas de Minería de Datos aplicadas al descubrimiento de materiales

Los científicos de materiales emplean un conjunto de herramientas diverso de técnicas de extracción de datos y aprendizaje automático, cada una adaptada a diferentes tipos de problemas y conjuntos de datos. La elección de la técnica depende de factores tales como el tamaño y la calidad de los datos disponibles, la complejidad de las relaciones que se están modelando y los objetivos específicos de la investigación:

  • ]Introvertidos algoritmos para agrupar materiales similares:] Métodos de aprendizaje no supervisados como k-medios agrupación, agrupación jerárquica y DBSCAN pueden identificar agrupaciones naturales en datos de materiales. Estas técnicas ayudan a los investigadores a descubrir familias de materiales con propiedades similares o identificar outliers que puedan representar clases de materiales novedosos.
  • Modelos de clasificación para predecir propiedades materiales: Los algoritmos de aprendizaje supervisados como máquinas vectoriales de soporte, bosques aleatorios y redes neuronales pueden ser entrenados para clasificar materiales en categorías basadas en sus propiedades. Por ejemplo, los modelos de clasificación pueden predecir si un material será metálico o semiconducting, magnético o no magnético, estable o inestable.
  • ] Análisis de regresión para estimar el rendimiento material: Cuando se necesitan predicciones de propiedades cuantitativas, las técnicas de regresión proporcionan salidas de valor continuo. Los modelos de aprendizaje automático pueden proporcionar predicciones rápidas y precisas de propiedades materiales pero a menudo carecen de transparencia. Regreso lineal, regresión polinomio, regresión del proceso gaisés y regresión de red neuronal pueden aplicarse todos en función de la relación de la complejidad de la propiedad.
  • La norma de asociación de aprendizaje para encontrar relaciones entre elementos y propiedades: Estas técnicas, tomadas de análisis de cestas de mercado, pueden identificar correlaciones entre la presencia de ciertos elementos o características estructurales y propiedades deseables. Las reglas de asociación pueden revelar que ciertas combinaciones de elementos tienden a producir materiales con características específicas, guiando el diseño de nuevas composiciones.
  • Se acerca el aprendizaje profundo: Al utilizar un enfoque de aprendizaje profundo, podemos evitar tal ingeniería manual que requiere conocimiento de dominio y lograr resultados mucho mejores, incluso con sólo unos pocos miles de muestras de entrenamiento. Presentamos el diseño y la implementación de un modelo de red neuronal profundo llamado ElemNet; captura automáticamente las interacciones físicas y químicas y las similitudes entre diferentes elementos utilizando la inteligencia artificial que le permite predecir la propiedad negraph
  • ]Transfer learning: Esta técnica aprovecha modelos entrenados en grandes conjuntos de datos para hacer predicciones para problemas relacionados con conjuntos de datos más pequeños. El aprendizaje de transferencia es particularmente valioso en la ciencia de materiales donde la disponibilidad de datos varía ampliamente entre diferentes clases y propiedades materiales.
  • ]Aprendizaje activo: Este enfoque selecciona iterativamente los experimentos o cálculos más informativos para realizar, utilizando predicciones modelo y estimaciones de incertidumbre para guiar la búsqueda. El aprendizaje activo puede reducir drásticamente el número de experimentos necesarios para descubrir materiales con propiedades dianas.

Composición-Materiales Basados Predicción de la Propiedad

One of the most powerful applications of data mining in materials discovery is the prediction of material properties directly from chemical composition, without requiring knowledge of the crystal structure. Machine learning has the potential to accelerate materials discovery by accurately predicting materials properties at a low computational cost. We develop a machineenfoque de aprendizaje que sólo toma la estequiometría como entrada y aprende automáticamente descriptores apropiados y sistemáticamente imprables de los datos. Esta capacidad es particularmente valiosa para la detección de grandes cantidades de composiciones potenciales antes de invertir en la determinación de la estructura o la síntesis.

Representando Composiciones Químicas para el Aprendizaje de Máquinas

Un reto clave en la predicción de propiedades basadas en la composición es cómo representar fórmulas químicas en una forma adecuada para algoritmos de aprendizaje automático. Nuestra visión metodológica clave es representar las composiciones de materiales como gráficos densos ponderados. Mostramos que esta formulación mejora significativamente la eficiencia de la muestra del modelo en comparación con otros enfoques de estructura-agnósticos. Se han desarrollado varios esquemas de representación, incluyendo:

  • ] vectores de propiedad elemental: Los materiales están representados por vectores que contienen promedios ponderados de propiedades elementales como el radio atómico, la electronegatividad, la energía de ionización y la afinidad de electrones. Los pesos corresponden a las proporciones estoichiométricas de cada elemento.
  • Codificación de un solo toque: Cada elemento de la tabla periódica se asigna una característica binaria, con el valor indicando la presencia o ausencia en la composición. Este simple enfoque puede ser eficaz pero no capta información sobre propiedades elementales.
  • Representaciones gráficas: Las composiciones químicas se tratan como gráficos donde los elementos son nodos y bordes representan sus interacciones. Las redes neuronales de Gráfico pueden aprender a predecir propiedades de estas estructuras gráficas.
  • ]Incrustaciones aprendidas: Los modelos de aprendizaje profundo pueden aprender automáticamente representaciones óptimas de elementos y composiciones de datos, sin requerir ingeniería de características manuales basadas en el conocimiento de dominio.

Aplicaciones de la predicción basada en la composición

Se han aplicado con éxito modelos de aprendizaje automático basados en la composición para predecir una amplia gama de propiedades materiales, incluyendo energía de formación, brecha de banda, módulos de gran tamaño, conductividad térmica y temperatura de fusión. Estos modelos permiten la rápida detección de vastos espacios compositivos –potencialmente millones de materiales candidatos– para identificar composiciones prometedoras para la investigación experimental.La velocidad y la mejor precisión de ElemNet nos permiten realizar una detección rápida y robusta de nuevos candidatos químicos en un gran descubrimientos.

Predicción de propiedades de materiales de base estructura

Aunque las predicciones basadas en la composición son valiosas para la detección inicial, muchas propiedades materiales dependen críticamente de la estructura de cristal. Los modelos de aprendizaje automático basados en la estructura incorporan información sobre posiciones atómicas, vinculación y simetría para hacer predicciones de propiedades más precisas para materiales con estructuras conocidas o predichas.

Descriptores y Representaciones Estructurales

Se han desarrollado varios enfoques para representar estructuras de cristal para el aprendizaje automático:

  • Matrículos del coulomb: Estas matrices codifican información sobre posiciones atómicas y cargas nucleares, proporcionando una representación invariante de rotación de estructuras moleculares y cristalinas.
  • Recaída de la memoria de las posiciones atómicas (SOAP):] Este descriptor captura el entorno atómico local alrededor de cada átomo, permitiendo que los modelos de aprendizaje automático aprendan de patrones estructurales.
  • ] Representaciones gráficas de cristal: Las estructuras de cristal están representadas como gráficos donde los átomos son nodos y los enlaces químicos son bordes. Las redes neuronales convoluciones de gramaje pueden aprender a predecir propiedades de estas estructuras gráficas.
  • Representaciones adaptadas a la simetría: Estos descriptores incorporan información sobre simetría de cristal, grupos espaciales y grupos de puntos para mejorar la precisión de predicción e interpretación.

Casos de estudios y aplicaciones

Estudios recientes han demostrado la eficacia de la minería de datos en la detección de nuevas aleaciones, polímeros y materiales compuestos en diversos sectores industriales. Estos éxitos ilustran el valor práctico de los enfoques basados en datos y proporcionan plantillas para futuras actividades de descubrimiento de materiales.

Descubrimiento de aleaciones de alto rendimiento

Los investigadores han utilizado algoritmos de aprendizaje automático para identificar nuevas aleaciones de alto rendimiento y peso ligero adecuadas para aplicaciones aeroespaciales. En un estudio de la máquina-aprendizaje-aprendizaje-de descubrimiento de compuestos de heusler completo, Oliynyk et al. aplicaron ML para ayudar a la predicción de compuestos de estructura AB2C.

En la industria aeroespacial, la demanda de materiales que combinan alta resistencia con baja densidad ha impulsado una investigación extensa en aleaciones de aluminio, aleaciones de titanio y aleaciones de magnesio. Los enfoques de la minería de datos han acelerado esta investigación identificando combinaciones óptimas de elementos de aleación y prediciendo propiedades mecánicas antes de una validación experimental costosa.

Polimer y Composite Materials Discovery

La minería de datos ha ayudado a descubrir nuevos materiales compuestos con propiedades térmicas y eléctricas mejoradas, abriendo nuevas vías para la industria de la electrónica y el almacenamiento de energía. La creciente demanda de materiales compuestos de alto rendimiento y rentables requiere enfoques computacionales avanzados para optimizar su composición y propiedades. Este estudio apunta a la aplicación de aprendizaje automático para la predicción y optimización de las propiedades funcionales de los compuestos se llenan en dos tipos de fibrodis.

Los compuestos de polímero representan una aplicación particularmente difícil para la extracción de datos porque sus propiedades dependen no sólo de la composición sino también de las condiciones de procesamiento, la distribución de relleno y las interfaciales. El trabajo reciente ha demostrado que los modelos de aprendizaje automático pueden predecir con éxito propiedades mecánicas y tribológicas de compuestos de polímero, permitiendo la selección racional de los rellenos y la optimización de formulaciones.

Materiales de superconducción

El descubrimiento de nuevos materiales superconductores con temperaturas críticas más altas ha sido un objetivo de larga data en la ciencia de materiales. Se han aplicado enfoques de aprendizaje automático para predecir las temperaturas de transición superconducta e identificar los materiales prometedores candidatos. El modelo integrado combina tres algoritmos básicos (arbol de decisión de impulso de grado, árbol extra y máquina de potenciación de gradiente ligero) para mejorar la precisión de predicción.

Materiales de dos dimensiones para aplicaciones electroquímicas

Esta revisión ha profundizado en la integración histórica y continua del aprendizaje automático en materiales 2D para aplicaciones de energía electroquímica, utilizando el enfoque Knowledge Discovery en bases de datos (KDD) para guiar la investigación a través de la minería de datos de la base de datos Scopus utilizando análisis de citas, palabras clave y tendencias. Materiales bidimensionales como el grafino, los metales de transición dichoslcogenides y MXenes han atraído una enorme atención para aplicaciones en baterías, supercapaciadores de la composición espacial.

Materiales termoeléctricos

Los materiales termoeléctricos, que pueden convertir el calor a la electricidad y viceversa, son críticos para la recuperación de calor de residuos y aplicaciones de refrigeración de estado sólido. La eficiencia de los materiales termoeléctricos depende de una compleja combinación de conductividad eléctrica, conductividad térmica y coeficiente Seebeck, propiedad que a menudo se encuentran en conflicto entre sí.

Material catalítico

El descubrimiento de nuevos catalizadores para las reacciones químicas es otro área donde la minería de datos ha mostrado una promesa significativa. La actividad catalítica depende de detalles sutiles de la estructura superficial y las propiedades electrónicas, lo que dificulta la predicción de los primeros principios. Los modelos de aprendizaje automático formados en los datos de catalisis experimental pueden identificar composiciones prometedoras y predecir las tasas de reacción, selectividad y estabilidad.

Metodologías avanzadas de minería de datos

Manejo de datos Redundancia y Bias

Una consideración importante en la extracción de datos de materiales es la cuestión de la redundancia de conjuntos de datos. Los conjuntos de datos de materiales suelen contener muchos materiales redundantes (altamente similares) debido al enfoque de tintura utilizado históricamente en el diseño de materiales. Esta redundancia hace que la evaluación de rendimiento de los modelos de aprendizaje automático (ML) se haga con el uso de la división aleatoria, lo que da lugar a un rendimiento muy poco avanzado y un rendimiento.

Para abordar este problema, los investigadores han desarrollado métodos para controlar la redundancia de los conjuntos de datos y garantizar una evaluación más realista del rendimiento. En este trabajo, estudiamos el rendimiento sobreestimado de ML en la ciencia de materiales para la predicción de propiedades materiales y proponemos MD-HIT, un algoritmo de reducción de la redundancia para conjuntos de datos de materiales. Estos enfoques ayudan a asegurar que los modelos de aprendizaje automático estén realmente aprendiendo relaciones de estructura fundamental y propiedad en lugar de memorizar ejemplos similares.

Cuantificación de la incertidumbre

Al utilizar modelos de aprendizaje automático para guiar el descubrimiento de materiales, es crucial entender la incertidumbre en las predicciones de modelos. Los modelos son más fiables al hacer predicciones de materiales similares a los del conjunto de entrenamiento, pero pueden ser inconformables cuando extrapolar a composiciones o estructuras novedosas. Una gran fuerza de modelos de estructura-agnósticos es que pueden ser utilizados para detectar grandes conjuntos de datos de candidatos generados combinatorialmente.

Los enfoques de aprendizaje de máquinas bayesianas, los métodos de ensemble y otras técnicas de cuantificación de incertidumbre pueden proporcionar estimaciones de confianza en la predicción. Estas estimaciones de incertidumbre pueden utilizarse para priorizar los esfuerzos de validación experimental, centrándose en los materiales donde el modelo es más seguro o, por el contrario, donde los datos adicionales serían más valiosos para mejorar el modelo.

Interpretabilidad y Explicabilidad

Aunque los modelos complejos de aprendizaje automático como las redes neuronales profundas pueden alcanzar una alta precisión de predicción, a menudo funcionan como "cajas negras" que proporcionan poca visión de los principios físicos y químicos que subyacen a sus predicciones. Revisitamos los conjuntos de datos materiales utilizados en varias obras y demostramos que se pueden crear combinaciones lineales simples de las funciones de base no lineal, que tienen una precisión comparable a los enfoques de red neuronímica.

Los enfoques de aprendizaje de máquinas interpretables pueden revelar los factores físicos que controlan las propiedades materiales, lo que lleva a una comprensión científica más profunda y estrategias de diseño de materiales más racionales. Técnicas como análisis de características, diagramas de dependencia parcial y regresión simbólica pueden ayudar a extraer reglas y relaciones interpretables de los modelos de aprendizaje automático.

Integración con Experimentación de Alto Crecimiento

El potencial total de la extracción de datos en el descubrimiento de materiales se realiza cuando se integra con capacidades experimentales de alto rendimiento. Este enfoque de cierre combina la detección computacional, síntesis selectiva, caracterización rápida y refinamiento de modelos iterativos para acelerar el proceso de descubrimiento.

Automatizadas Plataformas de Síntesis

Las plataformas de síntesis robótica pueden preparar grandes cantidades de muestras de material con composiciones y condiciones de procesamiento sistemáticas. Estas plataformas generan los datos experimentales necesarios para entrenar y validar modelos de aprendizaje automático mientras también prueban las predicciones hechas por esos modelos. La combinación de síntesis automatizada con el aprendizaje automático crea un poderoso bucle de retroalimentación que puede converger rápidamente en composiciones de material óptimo.

Caracterización de alto rendimiento

Las técnicas avanzadas de caracterización que pueden medir rápidamente las propiedades materiales son esenciales para generar los grandes conjuntos de datos necesarios para la minería de datos efectiva. Técnicas como la difusión de rayos X, microscopía electrónica, espectroscopía y medición de propiedades pueden ser automatizadas y paralelas para caracterizar cientos o miles de muestras por día. Estos datos de caracterización de alto rendimiento se alimentan directamente en modelos de aprendizaje automático, permitiendo una mejora continua de modelos.

Ciclos de aprendizaje activos

Las estrategias de aprendizaje activas utilizan predicciones modelo y estimaciones de incertidumbre para seleccionar inteligentemente qué experimentos realizar a continuación. En lugar de muestrear el espacio de materiales o después de la intuición humana, algoritmos de aprendizaje activos identifican los experimentos que proporcionarán la mayor información para mejorar la exactitud de los modelos.Este enfoque puede reducir drásticamente el número de experimentos necesarios para descubrir materiales con propiedades de destino, haciendo el proceso de descubrimiento más eficiente y rentable.

Aplicaciones y impacto industriales

La aplicación de la minería de datos a la exploración de materiales no es simplemente un ejercicio académico, sino que tiene importantes implicaciones para la innovación y competitividad industrial. Las industrias que van desde el aeroespacial y el automotriz hasta la electrónica y la energía están adoptando enfoques basados en datos para acelerar el desarrollo de materiales y obtener ventajas competitivas.

Industria Aeroespacial

La industria aeroespacial ha sido un primer adoptador de materiales basados en datos, impulsado por la necesidad de materiales que combinan un rendimiento excepcional con la reducción de peso. Se están utilizando modelos de aprendizaje automático para diseñar nuevas aleaciones de aluminio, aleaciones de titanio y materiales compuestos para estructuras de aviones. Estos materiales deben cumplir con requisitos estrictos para la resistencia a la fatiga, resistencia a la corrosión y manufacturabilidad, un problema complejo de optimización bien adaptado a los enfoques de datos.

Industria electrónica y semiconductora

The electronics industry requires materials with precisely controlled electrical, thermal, and optical properties. Data mining is being applied to discover new semiconductor materials, dielectric materials, and thermal management materials for next-generation electronic devices. The ability to predict band gaps, carrier mobilities, and thermal conductivities from composition and structure enables rapid screening of candidate materials.

Almacenamiento y Conversión de Energía

La transición a la energía renovable requiere materiales avanzados para baterías, células de combustible, células solares y dispositivos termoeléctricos. Los enfoques de extracción de datos están acelerando el descubrimiento de nuevos materiales electrodos, electrolitos, catalizadores y materiales fotovoltaicos. Los modelos de aprendizaje automático pueden predecir métricas de rendimiento clave como densidad de energía, densidad de energía, vida en ciclo y eficiencia de conversión, guiando esfuerzos experimentales hacia los candidatos más prometedores.

Industria automotriz

La industria automotriz está experimentando una transformación impulsada por la electrificación, el ligero y las preocupaciones de sostenibilidad. La minería de datos se está aplicando para descubrir nuevos materiales estructurales, materiales de batería y procesos de fabricación que pueden satisfacer las exigentes necesidades de los vehículos modernos. La capacidad de proyectar rápidamente miles de materiales potenciales y predecir su rendimiento en diversas condiciones es particularmente valiosa en esta industria de rápido movimiento.

Extracción de recursos y minería

En los últimos cuatro años financieros, nuestras iniciativas digitales y analíticas han aportado más de 2 mil millones de dólares de valor para BHP. Ese valor ha abarcado muchas partes de la cadena de valor –desde la exploración hasta las operaciones a la logística – pero apenas hemos rascado la superficie y estamos buscando socios que nos ayuden a profundizar. La propia industria minera está aplicando técnicas de extracción de datos y IA para mejorar la exploración, optimizar las operaciones y tomar mejores decisiones sobre la extracción de recursos.

Desafíos y futuras orientaciones

A pesar de sus ventajas, la aplicación de la minería de datos en el descubrimiento de materiales enfrenta varios retos importantes que deben abordarse para realizar todo el potencial de este enfoque. Entender estos desafíos y desarrollar soluciones es un área activa de investigación que dará forma al futuro de la informática de materiales.

Calidad de los datos y disponibilidad

La calidad de las predicciones de aprendizaje automático depende críticamente de la calidad de los datos de entrenamiento. Los datasets de materiales suelen contener errores, inconsistencias y valores perdidos que pueden degradar el rendimiento de los modelos. Los datos experimentales pueden ser recopilados en diferentes condiciones o utilizando diferentes técnicas de medición, dificultando la combinación de datos de múltiples fuentes.

La disponibilidad de datos es otro reto importante. Aunque se han medido algunas propiedades materiales para miles de compuestos, otros se han caracterizado por sólo un puñado de materiales. Esta escasez de datos dificulta la formación de modelos precisos de aprendizaje automático para algunas propiedades. Los enfoques de aprendizaje de transferencia y de multitarea pueden ayudar a resolver este desafío aprovechando datos de propiedades o clases de material relacionadas.

Integración de conjuntos de datos heterogéneos

Los datos de materiales provienen de muchas fuentes diferentes: mediciones experimentales, simulaciones computacionales, literatura, patentes y bases de datos industriales patentadas. Estos conjuntos de datos utilizan diferentes formatos, unidades y convenciones, haciendo difícil la integración. Históricamente, se ha almacenado mucha información geológica en formatos que son difíciles de buscar o integrar – desde informes escaneados hasta conjuntos de datos fragmentados acumulados durante décadas.

El desarrollo de formatos de datos estandarizados y ontologías para datos de materiales es un esfuerzo constante en la comunidad de informática de materiales. Iniciativas como el consorcio OPTIMADE están trabajando para crear API comunes para acceder a bases de datos de materiales, mientras que esfuerzos como el Servicio de Datos de Materiales están desarrollando infraestructura para compartir y descubrir conjuntos de datos de materiales.

Necesidad de modelos interpretables

Mientras que los modelos de aprendizaje automático de caja negra pueden alcanzar una alta precisión de predicción, proporcionan una visión limitada de los principios físicos y químicos que rigen el comportamiento material. Para el conocimiento científico y el diseño de materiales racionales, los modelos interpretables que revelan relaciones de estructura subyacentes-propiedad son altamente valiosos.

Los mecanismos de regresión simbólica, extracción de reglas y atención se encuentran entre las técnicas que se están explorando para hacer más interpretables los modelos de aprendizaje automático. Estos enfoques tienen como objetivo extraer reglas y relaciones humanas inmejorables de modelos capacitados, que superan la brecha entre predicción y comprensión.

Validación y Confirmación Experimental

Las predicciones de aprendizaje automático deben ser validadas en última instancia mediante la síntesis experimental y la caracterización. Sin embargo, no todos los materiales predichos pueden sintetizarse utilizando técnicas actuales, y algunas predicciones pueden ser artefactos de limitaciones modelo en lugar de descubrimientos genuinos. Desarrollar mejores métodos para evaluar la sintetización y viabilidad experimental es un área importante de investigación en curso.

La estrecha colaboración entre investigadores computacionales y experimentales es esencial para el descubrimiento de materiales exitosos. Las predicciones computacionales deben diseñarse para ser experimentalmente testables, y los resultados experimentales deben alimentarse de nuevo en la refinamiento de modelos. Este ciclo iterativo de predicción, síntesis, caracterización y mejora de modelos es clave para acelerar el descubrimiento de materiales.

Optimización multiobjetiva

Las aplicaciones de materiales del mundo real normalmente requieren la optimización de propiedades múltiples, a menudo conflictivas. Por ejemplo, un material estructural podría necesitar ser fuerte, ligero, resistente a la corrosión y barato para la fabricación. Los enfoques de extracción de datos deben poder manejar estos problemas de optimización multiobjetiva e identificar materiales que representan un óptimo intercambio entre requisitos competidores.

La optimización de Pareto, algoritmos evolutivos multiobjetivos y otras técnicas de investigación de operaciones pueden integrarse con el aprendizaje automático para abordar problemas de diseño de materiales multiobjetivos. Estos enfoques pueden identificar conjuntos de soluciones no dominadas que representan diferentes compensaciones entre objetivos, permitiendo a los diseñadores de materiales seleccionar la solución más adecuada para su aplicación específica.

Incorporating Processing-Structure-Property Relationships

Las propiedades materiales dependen no sólo de la composición y la estructura de cristal sino también de la historia del procesamiento y la microestructura. Una composición dada puede exhibir propiedades muy diferentes dependiendo de cómo se sintetizó, se trató con calor y se procesa mecánicamente. Incorporar la información de procesamiento en modelos de aprendizaje automático es difícil pero esencial para predecir el rendimiento material en el mundo real.

Recent work has begun to address this challenge by developing models that incorporate processing parameters alongside composition and structure information. These models can predict how processing conditions affect microstructure and how microstructure influences properties, providing a more complete picture of material behavior.

Nuevas tecnologías y oportunidades futuras

Mirando hacia adelante, la integración de la inteligencia artificial, la analítica de datos grandes y la experimentación de alto rendimiento promete acelerar el descubrimiento de materiales novedosos, en última instancia transformando industrias y impulsando la innovación. Varias tecnologías y enfoques emergentes están preparados para mejorar aún más el poder de la minería de datos en el descubrimiento de materiales.

Modelos Generativos para el Diseño de Materiales

Los modelos de aprendizaje de máquinas generadores, como los autoencoderes de variación y las redes de adversarios generativas, pueden crear nuevas estructuras y composiciones materiales que nunca se han visto antes. En lugar de simplemente proyectar los materiales existentes o hacer pequeñas modificaciones a compuestos conocidos, los modelos generativos pueden explorar regiones completamente nuevas de espacio de materiales y proponer materiales genuinamente novedosos con las propiedades deseadas.

Estos modelos aprenden los patrones y reglas subyacentes que rigen las estructuras materiales de los datos de entrenamiento, luego utilizan este conocimiento para generar nuevas estructuras que siguen los mismos patrones al tiempo que exhiben nuevas combinaciones de características. Este enfoque tiene el potencial de descubrir materiales que los investigadores humanos nunca podrían concebir a través de estrategias de diseño convencionales.

Procesamiento de Lengua Natural para la Minería de Literatura

La literatura científica de materiales contiene vastas cantidades de información sobre propiedades materiales, métodos de síntesis y características de rendimiento. Las técnicas de procesamiento de lenguaje natural pueden extraer datos estructurados de texto no estructurado, permitiendo a los investigadores aprovechar décadas de investigación publicada en sus esfuerzos de extracción de datos. La minería de textos puede identificar tendencias, extraer valores de propiedad y descubrir relaciones que abarcan múltiples publicaciones.

Los avances recientes en los modelos de lenguajes grandes han abierto nuevas posibilidades para la extracción de literatura y conocimientos. Estos modelos pueden entender el texto científico, responder preguntas sobre propiedades materiales e incluso sugerir nuevas direcciones de investigación basadas en patrones en la literatura.

Sistemas de Descubrimiento de Materiales Autónomos

La visión final para el descubrimiento de materiales basados en datos es sistemas totalmente autónomos que pueden diseñar, sintetizar, caracterizar y optimizar materiales con mínima intervención humana. Estos sistemas integrarían modelos de aprendizaje automático, plataformas de síntesis robóticas, herramientas de caracterización automatizadas y algoritmos de aprendizaje activos en un conducto de descubrimiento cerrado.

Varios grupos de investigación y empresas están trabajando para esta visión, desarrollando laboratorios autónomos prototipo que pueden realizar ciclos completos de descubrimiento. Si bien el descubrimiento totalmente autónomo sigue siendo un objetivo futuro, estos sistemas ya están demostrando el potencial para acelerar dramáticamente el desarrollo de materiales.

Computación cuántica para simulación de materiales

Las computadoras cuánticas tienen el potencial de revolucionar la simulación de materiales permitiendo cálculos mecánicos cuánticos precisos para sistemas que son intráctil para computadoras clásicas. A medida que la tecnología de cálculo cuántica madura, puede proporcionar nuevas fuentes de datos de capacitación de alta calidad para modelos de aprendizaje automático y permitir predicciones más precisas de propiedades materiales.

La integración de la informática cuántica con el aprendizaje automático, a veces llamado aprendizaje cuántico de la máquina, es un campo emergente que puede ofrecer ventajas para ciertos tipos de problemas de materiales. Aunque las aplicaciones prácticas siguen en fases tempranas, esta tecnología podría mejorar el poder de los enfoques de extracción de datos.

Integración con fabricación aditiva

Las tecnologías de fabricación aditiva (3D) permiten la creación de materiales con composiciones complejas y microestructuras que no pueden lograrse mediante el procesamiento convencional. La combinación de la minería de datos para el diseño de materiales con la fabricación aditiva para la síntesis de materiales crea nuevas oportunidades para descubrir y desplegar materiales novedosos.

Los modelos de aprendizaje automático pueden ser entrenados para predecir cómo los parámetros de proceso de fabricación aditivo afectan la microestructura y las propiedades materiales, permitiendo la optimización de la composición y las condiciones de procesamiento de materiales.

Plataformas colaborativas y Compartir datos

El futuro del descubrimiento de materiales dependerá cada vez más de plataformas colaborativas que permitan a los investigadores compartir datos, modelos y recursos computacionales. bases de datos de materiales de código abierto, modelos compartidos de aprendizaje automático y plataformas computacionales basadas en la nube pueden democratizar el acceso a herramientas de extracción de datos y acelerar el progreso en todo el campo.

Las iniciativas para promover el intercambio de datos y la estandarización son esenciales para la realización de esta visión. Si bien las preocupaciones sobre la propiedad intelectual y la ventaja competitiva pueden crear barreras para el intercambio de datos, los beneficios de la colaboración, en particular para la investigación precompetitiva, son cada vez más reconocidos por investigadores académicos e industriales.

Mejores prácticas para la aplicación de la minería de datos a material Discovery

Para investigadores y organizaciones que buscan aplicar técnicas de extracción de datos a la exploración de materiales, varias prácticas óptimas pueden ayudar a garantizar el éxito:

Comience con Objetivos Borrados

Definir objetivos específicos para el esfuerzo de descubrimiento de materiales, incluyendo propiedades de destino, requisitos de rendimiento y limitaciones. Objetivos claros ayudan a orientar la recopilación de datos, desarrollo de modelos y esfuerzos de validación experimental. Entender el contexto de aplicación y los requisitos es esencial para hacer cambios apropiados entre diferentes propiedades materiales.

Invertir en la infraestructura de datos

La creación de conjuntos de datos de alta calidad requiere una inversión significativa en la recopilación, curación y infraestructura de gestión de datos. Establecer protocolos estandarizados para la recopilación de datos, implementar procedimientos de control de calidad y desarrollar sistemas de almacenamiento y recuperación de datos.

Combinar múltiples fuentes de datos

Aprovechar datos experimentales, simulaciones computacionales, información de literatura y conocimientos de dominio para crear conjuntos de datos completos. Diferentes fuentes de datos proporcionan información complementaria y pueden mejorar la precisión y la robustez del modelo. Desarrollar métodos para integrar datos heterogéneos mientras se contabilizan las diferencias de calidad y fiabilidad.

Use Appropriate Validation Strategies

Implementar procedimientos rigurosos de validación para evaluar el rendimiento modelo y evitar el exceso de ajuste. Usar técnicas como la validación cruzada, conjuntos de pruebas de retención y validación en conjuntos de datos independientes para asegurar que los modelos generalicen bien a nuevos materiales. Tenga especial cuidado con la redundancia de los datasets y la similitud entre los conjuntos de entrenamiento y pruebas.

Incorporar el conocimiento del dominio

Aunque el aprendizaje automático puede descubrir patrones automáticamente, la incorporación de conocimientos de dominio de la ciencia de materiales puede mejorar el rendimiento e interpretación de modelos. Utilizar características físicamente significativas, imponer restricciones basadas en leyes físicas conocidas y validar predicciones contra la comprensión científica.

Iterate entre computación y experimento

Diseño de descubrimientos flujos de trabajo que se utilizan entre predicción computacional y validación experimental. Utiliza modelos computacionales para detectar grandes cantidades de candidatos y priorizar los esfuerzos experimentales, luego utiliza resultados experimentales para perfeccionar y mejorar los modelos. Este enfoque de cierre cerrado acelera el descubrimiento al tiempo que garantiza que las predicciones se basan en la realidad experimental.

Focus on Interpretability

Cuando sea posible, use modelos de aprendizaje de máquinas interpretables o aplique técnicas de interpretación para entender qué modelos han aprendido. Los modelos interpretables proporcionan información científica y crean confianza en las predicciones. También ayudan a identificar cuándo los modelos están haciendo predicciones por las razones correctas contra la explotación de correlaciones espurias en los datos de entrenamiento.

Consideraciones éticas y sociales

A medida que la minería de datos se vuelve cada vez más central en el descubrimiento de materiales, es importante considerar las implicaciones éticas y sociales de esta tecnología. Cuestiones de propiedad de datos, propiedad intelectual, acceso equitativo a herramientas y recursos, y el impacto ambiental del desarrollo de materiales merecen una consideración cuidadosa.

Los principios de ciencia abierta, que hacen hincapié en el intercambio de datos y la transparencia, pueden ayudar a asegurar que los beneficios del descubrimiento de materiales basados en datos se distribuyan ampliamente. Al mismo tiempo, deben establecerse mecanismos para proteger los intereses legítimos de propiedad intelectual y proporcionar crédito adecuado a los generadores de datos y a los desarrolladores modelo.

Los efectos ambientales y sociales de los nuevos materiales deben considerarse junto con su desempeño técnico. La evaluación del ciclo de vida, las métricas de sostenibilidad y las consideraciones de impacto social pueden integrarse en marcos de optimización multiobjetiva para asegurar que los esfuerzos de descubrimiento de materiales se ajusten a objetivos sociales más amplios.

Conclusión

Las técnicas de extracción de datos han surgido como herramientas poderosas para descubrir nuevos materiales y composiciones industriales, ofreciendo el potencial para acelerar drásticamente el ritmo de innovación de materiales. Aprovechando grandes conjuntos de datos de experimentos, simulaciones y literatura, los modelos de aprendizaje automático pueden identificar candidatos prometedores, predecir propiedades y orientar los esfuerzos experimentales más eficientemente que los enfoques tradicionales de ensayo y terror.

El campo ya ha demostrado éxitos significativos en la búsqueda de nuevas aleaciones, polímeros, compuestos y materiales funcionales en diversas áreas de aplicación. A medida que aumenta la disponibilidad de datos, los algoritmos mejoran e integran con la experimentación de alto rendimiento se profundiza, el impacto de la minería de datos en el descubrimiento de materiales seguirá creciendo.

Sin embargo, siguen existiendo importantes desafíos, como la calidad y disponibilidad de datos, la integración de conjuntos de datos heterogéneos, la interpretación modelo y la validación de las predicciones. Para hacer frente a estos desafíos será necesario seguir investigando, desarrollar normas y mejores prácticas y estrecha colaboración entre investigadores computacionales y experimentales.

En espera de ello, la integración de técnicas avanzadas de aprendizaje automático, experimentación autónoma y plataformas de datos colaborativas prometen iniciar una nueva era de descubrimiento de materiales acelerados, que tiene el potencial de abordar retos sociales críticos en la energía, la sostenibilidad, la atención sanitaria y la fabricación avanzada, proporcionando los materiales novedosos necesarios para las tecnologías de próxima generación.

Para investigadores y organizaciones que se dedican al desarrollo de materiales, adoptar enfoques basados en datos ya no es opcional, se está volviendo esencial para seguir siendo competitivo en un campo cada vez más rápido. Combinando el poder de la minería de datos con conocimientos especializados en dominio, capacidades experimentales y enfoque claro de aplicaciones, la comunidad de ciencias de materiales puede desbloquear nuevas posibilidades de innovación y crear los materiales avanzados que darán forma a nuestro futuro tecnológico.

Para conocer más sobre materiales informativos y descubrimientos basados en datos, visite el Proyecto de Materiales, explore recursos de la Iniciativa de Genomas, o revise las últimas investigaciones en revistas como npj Materiales Computacionales.