Un 'ecosistema' de herramientas para impulsar el aprendizaje automático

Oct 24, 2023

Informe del 24 de marzo de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

comprobado

publicación revisada por pares

fuente confiable

corregir

por Bob Yirka, Phys.org

Un equipo de químicos e informáticos del Instituto Federal Suizo de Tecnología de Lausana, la Universidad de California y el Institut des Sciences et Ingenierie Chimiques, Ecole, han desarrollado un ecosistema de herramientas para impulsar el diseño basado en el aprendizaje automático de marcos orgánicos metálicos.

En su estudio, publicado en la revista ACS Central Science, Kevin Maik Jablonka, Andrew Rosen, Aditi Krishnapriyan y Berend Smit codificaron herramientas para convertir datos en entradas de aprendizaje automático para crear un sistema que impulse los marcos de aprendizaje automático.

La química reticular es la ciencia del diseño y la síntesis de materiales cristalinos porosos con ciertas estructuras y propiedades predefinidas (bloques de construcción). Estos materiales, conocidos como marcos organometálicos (MOF), tienen aplicaciones en el almacenamiento, separación, catálisis, detección y administración de fármacos de gases.

Desafortunadamente, el descubrimiento y la optimización de nuevos MOF todavía se basan en gran medida en experimentos de prueba y error, lo que lleva mucho tiempo y es costoso. Para acelerar el desarrollo de la química reticular, algunos de los miembros del equipo actual crearon un paquete de aplicaciones llamado Mofdscribe y lo lanzaron para uso del público en general en 2022.

Desde entonces, muchos químicos han utilizado Mofdscribe para ayudarlos a crear distintos MOF. Sin embargo, el equipo actual reconoció que Mofdscribe tenía algunas limitaciones y se dispuso a crear un sistema más útil.

Con ese fin, los investigadores crearon un código que permitía integrar el modelado computacional, el aprendizaje automático, la extracción de datos y la detección de alto rendimiento. También resolvieron un problema que involucraba la filtración de datos utilizados para entrenar algoritmos de aprendizaje automático en conjuntos de prueba. Uno de sus objetivos, señalan, era crear herramientas de análisis de conjuntos de datos que los investigadores aún no necesitan, pero probablemente lo harán en algún momento. Esto, sugieren, debería ayudar a comparar las diferencias de rendimiento entre los sistemas de aprendizaje automático.

El resultado fue lo que el equipo describe como un "ecosistema", un entorno en el que los químicos podían acudir para elaborar nuevos enfoques de aprendizaje automático para crear MOF con las funciones y propiedades deseadas. Señalan que también permite identificar nuevas rutas sintéticas y condiciones de reacción.

El equipo de investigación también señala que el nuevo ecosistema facilitará el intercambio y la reutilización de datos y conocimientos entre los investigadores en el campo de la química reticular, lo que creen que fomentará la colaboración y la innovación.

Más información: Kevin Maik Jablonka et al, Un ecosistema para la química reticular digital, ACS Central Science (2023). DOI: 10.1021/accentsci.2c01177

Información del diario:Ciencias centrales de la ACS

© 2023 Ciencia X Red