Artículo de Georgia Tech propone un método de IA para identificar superconductores potenciales más rápido

Georgia Tech article proposes AI method to identify potential superconductors faster

Los superconductores son un componente importante cuando se trata de tecnología de vanguardia en transporte, energía y otras industrias. Un nuevo artículo de Georgia Tech y la Universidad de Ciencia y Tecnología de Hanoi propone utilizar un método impulsado por IA para identificar superconductores potenciales de manera más rápida.

Según el artículo, el equipo conjunto busca incorporar información a nivel atómico en las vías de aprendizaje automático para descubrir nuevos superconductores convencionales, parcialmente a presión ambiental. El problema radica en la desafiante tarea de predecir la superconductividad a alta temperatura a temperatura cero sin tener información a nivel atómico.

Entonces, los investigadores trabajaron juntos para crear un conjunto de datos de 584 estructuras atómicas con más de 1,100 valores de λ y ωlog. Estos valores se calcularon a diferentes presiones y, al hacerlo, se desarrollaron modelos de aprendizaje automático para λ y ωlog.

Luego se utilizaron para analizar más de 80,000 entradas en la base de datos del Proyecto de Materiales. Esto reveló, mediante cálculos de primeros principios, dos materiales termodinámicamente y dinámicamente estables cuya superconductividad puede existir en Tc. Esto es igual a 10 -15k y p=o.

Para lograr esto, utilizaron el paquete matminer para convertir las estructuras atómicas en vectores numéricos y luego utilizaron la regresión del proceso gaussiano con el algoritmo de aprendizaje automático. Según el artículo, los investigadores utilizaron modelos de aprendizaje automático para predecir 35 candidatos.

De esos 35 candidatos, seis tenían los valores más altos de Tc predichos. Otros eran demasiado inestables y aún requerían más cálculos de estabilización. Después de verificar la estabilidad de dos candidatos, CrH y CrH2, se calcularon sus propiedades superconductoras utilizando cálculos de primeros principios.

Después de esto, los investigadores pudieron evaluar sus predicciones y realizar más cálculos para confirmar sus resultados predichos. De esos, la precisión actualmente se sitúa en un 2-3% de los valores reportados. Entonces, ¿por qué es esto importante?

Bueno, identificar nuevos candidatos para superconductores potenciales de manera más rápida y confiable es importante por varias razones. Algunas de estas incluyen mejorar la eficiencia energética, avanzar en la transmisión y almacenamiento de energía y promover la comprensión científica de los fenómenos cuánticos.

Este último, el almacenamiento y los fenómenos cuánticos, son críticos en la ciencia de datos. En el caso del almacenamiento, se están produciendo cantidades masivas de datos por segundo y el almacenamiento puede convertirse en un problema más adelante. Y en cuanto a los fenómenos cuánticos, esto podría ser clave para los avances en la inteligencia artificial general y otros subcampos de la ciencia de datos.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Investigadores de Inception, MBZUAI y Cerebras lanzan en código abierto 'Jais' el modelo de lenguaje árabe más avanzado del mundo

Los grandes modelos de lenguaje como GPT-3 y su impacto en varios aspectos de la sociedad son objeto de un gran inter...

Aprendizaje Automático

DeepMind presenta AlphaDev un agente de aprendizaje por refuerzo profundo que descubre algoritmos de clasificación más rápidos desde cero.

Desde la Inteligencia Artificial y el Análisis de Datos hasta la Criptografía y la Optimización, los algoritmos juega...

Inteligencia Artificial

Conoce a GigaGPT la implementación de Cerebras del nanoGPT de Andrei Karpathy que entrena modelos de IA del tamaño de GPT-3 en solo 565 líneas de código.

Entrenar modelos de transformadores grandes presenta desafíos significativos, especialmente cuando se busca modelos c...

Inteligencia Artificial

El Bucle de Retroalimentación de la IA Manteniendo la Calidad de Producción del Modelo en la Era del Contenido Generado por IA

Explora cómo el bucle de retroalimentación de IA puede ayudar a mantener la calidad del modelo, mejorar la eficiencia...

Inteligencia Artificial

La investigación liderada por UMD impulsa el Panel de datos sobre el enjuiciamiento del condado de Montgomery.

Investigadores de la Universidad de Maryland ayudaron a la Oficina del Fiscal del Estado del Condado de Montgomery a ...

Inteligencia Artificial

Morphobots para Marte Caltech desarrolla un robot todo terreno como candidato para una misión de la NASA

Los académicos Mory Gharib y Alireza Ramezani en 2020 estaban pensando en un robot transformador que ahora está tenie...